El estudio de la estructura jerarquica de comunidades ecologicas, se ha sintetizado de manera regular a traves de tecnicas multivariadas de ordenacion o clasificacion. Sin embargo, al contarse actualmente con herramientas analiticas de computacion bioinspirada provenientes de la inteligencia artificial, existe la oportunidad de establecer modelos ecologicos, con caracteristicas deseables como flexibilidad, exactitud, robustez y confiabilidad. En este contexto, esta investigacion utilizo dos metodos computacionales de utilidad en ecoinformatica, referidos a redes neuronales artificiales (RNARs) para la modelacion de la estructura jerarquica de una comunidad de macroinvertebrados bentonicos en terminos de auto-organizacion y prediccion. El primer metodo de modelacion consistio en un mapa de auto-organizacion (MAU), una herramienta de aprendizaje no supervisado que clasifico las especies de macroinvertebrados; este MAU tomo en la capa de entrada la abundancia de cada taxa, y en la de salida proyecto su clasificacion en 15 unidades y cuatro agrupamientos jerarquicos. La segunda RNA, correspondio a un Perceptron multicapa de alimentacion adelantada con algoritmo de retropropagacion, que modelo separadamente la riqueza y la abundancia de Ephemeroptera, Coleoptera y Trichoptera (ECT), en funcion de nueve variables fisicoquimicas; la arquitectura del perceptron correspondio a una constitucion de nueve, siete, y una neurona en las capas de entrada, intermedia y salida, respectivamente. Los resultados sugieren que las RNARs utilizadas evidenciaron tanto los patrones jerarquicos, como los de riqueza y abundancia de ECT de manera adecuada, al tiempo que facilitaron el analisis de los datos y el entendimiento de la dinamica de la comunidad de macroinvertebrados, objeto de estudio.