Quando ocorre algum tipo de falta em uma Linha de Transmissão (LT), sua localização exata é essencial para uma rápida recomposição do Sistema Elétrico. Métodos que utilizam tensão e corrente de apenas um terminal contêm simplificações que podem acarretar erros. Esta dissertação investiga a aplicação de Redes Neurais Artificiais (RNA) na obtenção de uma nova forma de identificar o tipo do curto- circuito e determinar a sua localização, utilizando dados obtidos em somente um terminal. O trabalho consiste de 4 partes principais: estudo bibliográfico da área de Redes Neurais; simulações de faltas para a obtenção de padrões; definição e implementação dos modelos de Redes Neurais para identificação e localização da falta; e estudos de casos. Na fase do estudo bibliográfico sobre RNA, foi verificado que as topologias de redes mais usuais são as Feed- Forward, que podem ter uma ou mais camadas de Elementos Processadores (EP), sendo as redes com múltiplas camadas (Multi-Layer) a configuração mais completa. Para treinamento da rede, o algoritmo de aprendizado mais utilizado é o Back Propagation. Como fruto deste estudo bibliográfico é apresentado neste trabalho um resumo sobre RNA. Nas simulações de faltas para obtenção dos padrões de treinamento e teste, foi utilizado um sistema automático que, através da combinação de vários parâmetros do sistema elétrico, gera situações diferentes de falta. Este sistema utiliza como base o programa Alternative Transient Program - ATP. Neste trabalho o sistema elétrico está representado por uma LT de 345 KV, com fontes equivalentes representando um sistema real de Furnas Centrais Elétricas. Todos o sinais de tensão e corrente utilizados são representados por fasores de 60 Hz, obtidos através da Transformada Discreta de Fourier (TDF). Os modelos de RNAs para identificação e localização de falta foram implementados com sub-rotinas de redes neurais do programa MATLAB ver. 6.0, representados por Redes Perceptron Multicamadas (Multi Layer Perceptron), treinadas com algoritmo Back Propagation com taxa de aprendizado adaptativa e o termo momentum fixo. Um modelo único de RNA identifica quais as fases (A, B, C e T) envolvidas, classificando o tipo de falta, que pode ser: Monofásica; Bifásica; Bifásica-Terra ou Trifásica. Para a localização da falta, foram definidas 4 arquiteturas de RNA, uma para cada tipo de falta. A ativação de cada topologia de RNA para localização é definida em função do tipo de falta classificada no modelo de identificação com RNA. Na etapa de estudo de casos testou-se o desempenho de cada modelo de RNA utilizando casos de testes em outras situações de falta, diferentes dos conjuntos de treinamento. A RNA de identificação de falta foi avaliada para situações de faltas envolvendo outras LTs, com diferentes níveis de tensão. Os resultados das 4 RNAs de localização da falta foram comparados com os resultados obtidos utilizando o método tradicional, tanto para os casos simulados quanto para algumas situações reais de falta. A utilização de RNAs para a identificação e a localização de falta mostrouse bastante eficiente para os casos analisados, comprovando a aplicabilidade das redes neurais nesse problema.