Com o crescimento de sistemas e processos não lineares, principalmente em ambientes industriais,
os estudos por novas e mais precisas técnicas de Identificação de Sistemas Dinâmicos têm
aumentado nas pesquisas. Dentre essas técnicas, as que permitem a geração de modelos locais
apresentaram grande avanço, permitindo a geração de diversos modelos lineares locais para
representar sistemas mais complexos. Também é preciso se preocupar com a inserção de ruídos
nos dados, dependendo da fonte os processos podem acabar absorvendo informações que não
são relevantes para a geração do modelo (outliers), o que pode interferir significativamente no
processo de identificação. Neste trabalho, os modelos locais múltiplos D-MKSOM e P-MKSOM
foram modificados para tratar dados discrepantes através da técnica de estimação M, passando
assim a realizar uma estimação mais robusta, sendo então aplicados em bases de dados com fortes
não linearidades. Os dados utilizados foram contaminados com ruído para avaliar quantitativa e
qualitativamente a robustez dos algoritmos e o comportamento do erro obtido nos testes. Para
fins de comparação, a rede neural global ELM também foi aplicada aos dados com a aplicação
da estimatição M. Nos resultados observou-se que os algoritmos propostos levam a uma melhor
generalização a partir da análise de resíduos e robustez para inserção de outliers nos dados de
teste.