La radiación neta de onda completa en la superficie (Rn) es uno de los parámetros fundamentales más importantes en diversas aplicaciones. Sin embargo, las mediciones convencionales de Rn son difíciles de recopilar debido al alto costo y al mantenimiento continuo de los instrumentos de registro. Por lo tanto, se han desarrollado varios modelos empíricos de estimación de Rn. Este estudio presenta los resultados de dos modelos de red neuronal artificial (ANN) (redes neuronales de regresión general (GRNN) y Neuroet) para estimar Rn globalmente a partir de datos de múltiples fuentes, incluidos productos de teledetección, mediciones en superficie y productos de reanálisis meteorológico. Las estimaciones de Rn proporcionadas por las dos ANN se probaron contra mediciones de radiación in situ obtenidas de 251 sitios globales entre 1991 y 2010, tanto en modo global (se utilizaron todos los datos para ajustar los modelos) como en modo condicional (los datos se dividieron en cuatro subconjuntos y los modelos se ajustaron por separado). Basado en los resultados obtenidos de experimentos extensos, se ha demostrado que las dos ANN eran superiores a los modelos empíricos basados en lineales tanto en modos globales como condicionales y que la GRNN tuvo un mejor rendimiento y fue más estable que Neuroet. Las estimaciones de la GRNN tuvieron un coeficiente de determinación (R2) de 0.92, un error cuadrático medio (RMSE) de 34.27 Wm-2 y un sesgo de -0.61 Wm-2 en modo global basado en el conjunto de datos de validación. Este estudio concluyó que los métodos de ANN son una herramienta potencialmente poderosa para la estimación global de Rn.