La optimización de las Redes Neuronales Artificiales (ANNs) sigue siendo un desafío significativo en el aprendizaje automático, especialmente para superar las limitaciones de los óptimos locales durante el entrenamiento. Los algoritmos de clasificación tradicionales, como k-Nearest Neighbors (KNN), árboles de decisión, Máquinas de Vectores de Soporte (SVMs) y ANNs, a menudo sufren de convergencia a soluciones subóptimas debido a sus métodos de entrenamiento. Esta investigación propone un enfoque neuroevolutivo híbrido que integra un algoritmo genético con una estructura basada en NEAT para mejorar el rendimiento de las ANN. Además, se emplea un Algoritmo de Procesamiento Celular (PCELL) para expandir el espacio de búsqueda y mejorar la calidad de la solución. La metodología implica diseñar una red neuronal inicial entrenada mediante retropropagación, seguida por la aplicación de operadores genéticos para evolucionar las estructuras de la red. Los resultados experimentales de diversos conjuntos de datos de referencia demuestran que el algoritmo propuesto supera a los métodos convencionales de entrenamiento de ANN y logra niveles de rendimiento comparables a las soluciones evolutivas. Los resultados sugieren que integrar estrategias evolutivas con procesamiento celular mejora la precisión de la clasificación y contribuye al avance de las técnicas de aprendizaje neuroevolutivo.