La Presión Mínima de Miscibilidad (PMM) es uno de los parámetros claves en el diseño y aplicabilidad de los desplazamientos miscibles cuando se tienen campos que pudieran estar bajo un esquema de inyección de Dióxido de Carbono (CO2). La presente investigación se llevó a cabo con el propósito de generar una correlación por medio de Redes Neuronales Artificiales (RNA) para predecir la PMM en la inyección de CO2. Inicialmente, se realizó una documentación sobre los conceptos básicos en desplazamientos miscibles, redes neuronales y las correlaciones asociadas al cálculo de la PMM en la inyección de CO2 puro e impuro. Posteriormente, se recolectaron datos de artículos técnicos publicados por diversos autores. Se definen los parámetros para desarrollar la correlación como la temperatura del yacimiento, fracción de los componentes volátiles e intermedios presentes en el crudo, peso molecular de la fracción de C5+, concentración de CO2 y de las impurezas presentes en el mismo tales como el N2, CH4, C2-C4 y H2S. Para el entrenamiento de la red, se seleccionó la función entrenamiento y transferencia, número de capas ocultas y la tolerancia del error cuadrático medio. Luego se llevó a cabo una fase donde se realizó un análisis de sensibilidad respecto a distintos conjuntos de datos y al número de neuronas en cada capa oculta, con el fin de definir la arquitectura final de la red. Se evaluó la consistencia en la física de los sistemas propuestos, donde el aumento de la temperatura del yacimiento, la fracción de componentes volátiles presentes en el crudo, el peso molecular de la fracción de C5+ al igual que la concentración de componentes tales como el N2 y CH4 en el gas, influyen en el incremento de la PMM. Un efecto inverso se espera al incrementar la fracción de componentes intermedios en el crudo, la concentración de H2S y fracción de C2-C4 presentes en el gas de inyección. Finalmente, se estableció una comparación entre el error promedio obtenido por la red neuronal propuesta y las ecuaciones de la literatura, donde se encontró que la red neuronal resultó ser más exacta en sus predicciones.