O objetivo deste estudo foi comparar a modificação da curva de crescimento utilizando modelos de regressão não linear, com o uso do teste de identidade de modelos e através de modelos de regressão aleatória, com o uso de polinômios de Legendre em um conjunto de dados de 15 gerações de codornas de corte, em seleção para o maior peso aos 28 dias.O conjunto de dados foi separado em três grupos de gerações, inicial (G1), intermediário (G2) e final (G3), cada um com cinco gerações, sendo que a população fundadora continha 227 animais da linhagem UFV1 e 185 animais da linhagem UFV2, resultando em uma matriz de parentesco com 18.766 e 18.456 animais, de ambos os sexos, das linhagens UFV1 e UFV2, respectivamente.Para o estudo através de modelos de regressão não linear foram utilizados cinco registros de peso corporal, onde os animais, além do peso ao nascimento, foram pesados individualmente com 7, 14, 21 e 28dias de idade. Inicialmente, buscou-se identificar qual o melhor modelo não linear que descrevesse a curva de crescimento usando os modelos de von Bertalanffy, Brody, Gompertz, Logístico, Richards e regressão linear segmentada (spline) com um nó aos 14 dias.Para o estudo da curva de crescimento através de modelos de regressão aleatória, os pesos individuais foram analisados com o uso do modelo animal, onde as idades foram descritas em termos de polinômios ortogonais de Legendre, com geração e sexo como efeito fixo.Dentre os modelos analisados, o modelo de Gompertz foi o mais adequado para descrever a curva de crescimento de codornas de corte para ambos os sexos nos três grupos de gerações. A partir do melhor modelo identificado, foi possível fazer a análise de identidade de modelos para verificar se houve mudanças na curva de crescimento dos animais. O resultado dos testes de razão de verossimilhança para a identidade de modelos indicou que o peso adulto e a taxa de maturidade foram significativamente diferentes entre os três grupos de gerações, para ambos os sexos, não sendo possível o uso de um único modelo que descreva o crescimento nos três grupos de gerações.Nos modelos de regressão aleatória, as estimativas de variância fenotípica tiveram desempenho semelhante para os três grupos, nas duas linhagens. No entanto, a variância genética aditiva diminuiu ao longo das gerações, enquanto houve aumento da variância de ambiente permanente e residual, à medida que a seleção atuou. A herdabilidade (h2) diminuiu ao longo das gerações, sendo alta nos pesos ao nascimento, reduzindo nas idades intermediárias e aumentando à medida que o animal se aproximou da fase adulta.Assim, conclui-se que houve mudança na curva de crescimento dos animais ao longo das gerações, com aumento do peso assintótico e redução da taxa de maturidade dos animais, demonstrando que o processo de seleção foi eficiente.Recomenda-se a seleção dos animais aos 28 dias de vida, pois é a idade com maior valor da estimativa de h2. Como há diferenças entre os grupos de gerações, recomenda-se também utilizar apenas os dados das últimas gerações para características relacionadas ao peso dos animais ao invés de utilizar toda a informação contida no conjunto de dados, principalmente, quando há grande número de animais nas gerações iniciais, tanto para modelos de regressão não linear, quanto para regressão aleatória, reduzindo assim, erros de estimação.The aim of this study was to compare the change of the growth curve by nonlinear regression models, using the test of identity of models, and by random regression models, using Legendre polynomials in a dataset with 15 generations of meat type quail in selection for weight increasing at 28 days.The dataset was divided in three groups of generations, initial (G1), intermediate (G2) and final (G3), each one with five generations, where the founder population contained 227 animals of UFV1 strain and 185 animals of UFV2 strain, resulting in a relationship matrix with 18,766 and 18,456 animals of both sexes and strains.For the study through nonlinear regression models were used five body weight records, where animals besides birth weight, were individually weighed at 7, 14, 21 and 28 days of age.Initially, it was sought to identify the best nonlinear model describing the growth curve models using the von Bertalanffy, Brody, Gompertz, Logistic, Richards and segmented linear regression (spline) with a knot at 14 days.For the study of the growth curve through random regression models, individual weights were analyzed using the animal model, where ages were described in terms of orthogonal Legendre polynomials, with generation and sex as fixed effects.Among the analyzed models, the Gompertz model was the most appropriate to describe the growth curve of quails for both sexes in all groups of generations. From the best model that was identified, it was possible to analyze identity models to see if there were changes in the growth curve of the animals.The result of the likelihood ratio tests for model identity indicated that the adult weight and maturing rate were significantly different between the three groups of generation, for both sexes, not being possible to use a single model that describes the growth in the three groups of generations.In random regression models, phenotypic variance estimates were similar for the performance in three groups, in both strains. However, the additive genetic variance decreased over the generations, while there was an increase of the variance of permanent environmental and residual, as the selection acted.The heritability (h2) decreased over the generations, being high at the birth weights, reducing the intermediate ages and increasing as the animal approached adulthood.Thus, it is concluded that there was a change in the growth curve of the animals over the generations, with an increase in asymptotic weight and reduction of animal maturity, demonstrating that the selection process was efficient.Selection of animals at 28 days of life is recommended, because this is the age with the highest value of estimated h2. Because there are differences between groups of generations, it is also recommended to use only data from the last generations for traits related to the animal weights instead of using all the information contained in the data set, especially when there are large numbers of animals in initial generations, for both nonlinear regression models, as for random regression, thereby reducing estimation errors.Conselho Nacional de Desenvolvimento Científico e Tecnológico