RESUMEN En este articulo se estudia la aplicacion de la transformada Wavelet discreta (TWD) y redes neuronales en la deteccion e identificacion de eventos de la calidad de la energia electrica. Se estudian algunos patrones basados en la TWD propuestos para la identificacion de eventos de baja frecuencia como las fluctuaciones de tension ( flicker ) y los armonicos; y para la identificacion de eventos de alta frecuencia como los transitorios tipo impulso y los huecos de tension. Para la deteccion e identificacion se utiliza la funcion Wavelet Daubichies4 como funcion base para la transformacion, dadas sus caracteristicas de respuesta en frecuencia y de localizacion de informacion en el tiempo. Como clasificador de los eventos se utiliza un esquema basado en redes neuronales (perceptron multicapa) tomando como entrada los patrones de los eventos. Los resultados son satisfactorios (superiores al 80% y 90% de acierto en la mayoria de los eventos) considerando que algunos eventos presentan similitudes en los patrones. Esta estrategia fue integrada en una interfaz grafica de usuario desarrollada en MatLab® y probada con senales sinteticas las cuales fueron simuladas y almacenadas en una base de datos de perturbaciones. PALABRAS CLAVE: Armonicos, calidad de la energia electrica, elevaciones de tension, flicker , huecos de tension, redes neuronales, monitorizacion, transformada Wavelet, transitorios. ABSTRACT This paper deals with the application of Discrete Wavelet Transform (DWT) and Neural Networks in the detection and identification of power quality events. Some patterns based on DWT are used in order to identify low frequency events like flicker and harmonics, and high frequency events like impulsive transient and sags. The Wavelet Function Daubichies4 is used as a base function because of its frequency response and time information localization properties. A scheme based on neural networks (perceptron multilayer) taking event patterns as inputs is used as event classifier. The results are satisfactory (80 and 90 percent of success for the most events) considering that some events present resemblances in their patterns. This strategy was integrated on a MatLab ® Graphical User Interface and tested by using synthetic signals which were simulated and collected in a disturbance database. KEYWORDS: Harmonics, power quality, sags, swells, flicker, neural networks, Wavelet Transform, transients, database.