Dentro de la teoría de identificación de sistemas, los modelos de redes neuronales artificiales (ANN) artificial neural networks por sus siglas en inglés, han mostrado gran capacidad para encontrar patrones de relación entre variables de procesos altamente no lineales, así como resolver la limitante de la regresión no lineal, donde no es posible usar variables correlacionadas como entradas. El objetivo de la presente investigación fue modelar la tasa de fotosíntesis foliar de plantas de jitomate, cultivadas bajo invernadero, mediante redes neuronales artificiales, empleando como variables de entrada: temperatura, humedad relativa, déficit de presión de vapor y concentración de dióxido de carbono (CO2) del aire, así como radiación fotosintéticamente activa. El experimento se desarrolló durante 2009 en un invernadero experimental de la Universidad Autónoma de Querétaro, México. Se usó el equipo de fitomonitoreo PTM-48M (Daletown Company, Ltd), para registrar el intercambio de CO2 de las hojas, así como las variables meteorológicas. Para eliminar ruidos de los sensores en las mediciones se aplicó el filtro Savitzky-Golay. Se evaluaron diferentes configuraciones para redes de retropropagación, siendo la de 4 capas con 10 neuronas en la primera capa oculta, 15 en la segunda y 10 más en la tercera, la que generó los mejores índices estadísticos sobre datos de prueba: coeficiente de determinación, R2= 0.9756 y cuadrado medio del error, CME= 0.8532. Tomando las predicciones de la mejor ANN, se realizó una optimización estática, relacionando dos variables climáticas con la tasa de fotosíntesis, mediante gráficas en tercera dimensión, a fin de mostrar estrategias para maximizar la tasa de fotosíntesis.