En el presente proyecto se desarrollo una herramienta de apoyo basada en redes neuronales perceptron que identifica 11 tipos de fallas en 5 tramos de una linea de transmision electrica de alta tension, la cual tiene su propia interfaz grafica desarrollada en el toolbox GUI de MATLAB. La base de datos con la cual se formaron los conjuntos de entrenamiento, validacion y prueba de las redes neuronales corresponde a la simulacion en el software Programa transitorio alternativo (ATP) de 11 tipos de fallas; donde fueron utilizados 4 tipos de resistencias, 6 valores de angulos y diferentes localizaciones de la falla para cada conjunto en los tramos estudiados. Se experimentaron cuatro configuraciones donde se varia el numero de caracteristicas como: tension, tension media, corriente, corriente media y angulos de fase para de cada una de las lineas, lo que se refleja directamente en el numero de caracteristicas que se presentan a la red. La red neuronal seleccionada fue una red multicapa perceptron (MLP) de 2 capas ocultas, luego de realizar pruebas con una y dos capas ocultas variando el numero de neuronas y analizando su comportamiento con metricas como porcentaje de identificacion y de Root Mean Square Error (RMSE). Los resultados, presentados en matrices de confusion y en funcion del error, muestran que el comportamiento de las redes utilizando la configuracion 2, que consta de 12 caracteristicas (entradas); hacen parte de la arquitectura de red que a su vez cuenta con 2 capas ocultas de 15 y 10 neuronas respectivamente y una codificacion para las salidas representada en 4 bits, obteniendo porcentajes de clasificacion con valores por encima del 99% y errores con valores menores a 1,2x10-6. La herramienta de apoyo esta dotada de una arquitectura de red de 2 capas y una interfaz grafica donde el usuario tendra la opcion de: visualizar el tipo de falla que se presentada, indexar datos de una falla que se desee identificar, ademas, de que se le facilite la interpretacion de los datos brindados por el sistema de identificacion implementado con MLP.