El análisis de aguas residuales (AR) es un paso crítico en diversas operaciones, como el control de una instalación de tratamiento de AR, y acelerar el análisis de la calidad del AR puede mejorar significativamente tales operaciones. Este trabajo demuestra la capacidad de los modelos de regresión de redes neuronales (RN) para estimar propiedades características del AR, como la demanda bioquímica de oxígeno (DBO), la demanda química de oxígeno (DQO), el amoníaco (NH-N), las sustancias totales disueltas (STD), la alcalinidad total (AT) y la dureza total (DT) mediante el entrenamiento en la reflectancia espectral del AR en el espectro visible a infrarrojo cercano (400-2000 nm). El conjunto de datos contiene muestras de intensidad de reflectancia espectral, que fueron las entradas, y los niveles de parámetros del AR (DBO, DQO, NH-N, STD, AT y DT), que fueron las salidas. Se evaluaron varias configuraciones de modelos de RN en términos de ajuste del modelo de regresión. El error absoluto medio (EAM) se utilizó como métrica para el entrenamiento y la prueba de los modelos de RN, y también se calculó el coeficiente de determinación (R) entre las predicciones del modelo y los valores reales para medir qué tan bien los modelos de RN predicen los valores verdaderos. Se lograron el mayor R (0.994 para el conjunto de entrenamiento y 0.973 para el conjunto de prueba) y el menor EAM (0.573 mg/L DBO, 6.258 mg/L DQO, 0.369 mg/L NH-N, 6.98 mg/L STD, 2.586 m/L AT y 0.014 mmol/L DT) cuando los modelos de RN se configuraron para salida de variable única en comparación con salida de múltiples variables. La búsqueda en cuadrícula de hiperparámetros y la validación cruzada k-fold mejoraron el rendimiento de predicción del modelo de RN. Con mediciones espectrales en línea, el modelo de red neuronal entrenado puede proporcionar estimaciones en tiempo real y sin contacto de la calidad del AR con un error de estimación mínimo.