Se propone y se prueba en este estudio un filtro de optimización híbrido para modelos numéricos de clima y olas. Se utilizan Redes Neuronales Artificiales parametrizadas junto con Filtros de Kalman Extendidos para proporcionar una nueva estrategia de posprocesamiento para simulaciones de velocidad del viento a 10 m, temperatura del aire a 2 m y altura significativa de las olas. La innovación del modelo desarrollado es la implementación de Redes Neuronales Feedforward y Redes Neuronales de Función de Base Radial como estimadores de un parámetro exógeno que ajusta las matrices de covarianza del proceso del Filtro de Kalman Extendido. Este sistema híbrido se evalúa a través de un proceso de ventana temporal que conduce a resultados prometedores, lo que permite una disminución de los errores sistemáticos junto con la restricción de la variabilidad del error y la incertidumbre de la previsión correspondiente. Los resultados obtenidos mostraron que la reducción promedio del error sistemático superó el 75%, mientras que la parte no sistemática correspondiente de ese error disminuyó en un 35%.