Existe uma crescente demanda por modelos dinâmicos precisos, parte impulsionada pelo paradigma da indústria 4.0 que introduz, dentre outros, o conceito de gêmeo digital no qual modelos dinâmicos possuem um papel importante. Idealmente, um modelo dinâmico apresenta um compromisso entre complexidade e precisão, enquanto proporciona informações sobre a física do sistema. Para melhorar a precisão de um modelo mantendo a interpretabilidade, a abordagem usual é modelar matematicamente todas não-linearidades, o que leva a um modelo muito complexo. Outra abordagem envolve identificação caixa-preta, uma abordagem onde um modelo matemático é ajustado para descrever a relação de entrada e saída do sistema, a qual pode fornecer um modelo preciso, porém não interpretável. Os avanços na capacidade de processamento computacional permitiram o florescimento da area de aprendizado de máquinas, a qual tem mostrado resultados interessantes em diferentes campos do conhecimento. Uma dessas aplicações é em identificação caixa-preta, onde o aprendizado de máquinas tem sido empregado com sucesso na modelagem de sistemas não-lineares, o que tem inspirado pesquisas sobre o tema. Apesar dos modelos baseados em aprendizado de máquina apresentarem elevada precisão, o que é suficiente para diversas aplicações, eles não são interpretáveis. Dessa forma, visando obter modelos que possuem ambas as características de precisão e interpretabilidade, enquanto mantém um compromisso com a complexidade, esta tese propõe uma metodologia de identificação híbrida que combina um modelo fenomenológico caixa cinza com um modelo caixa preta baseado em redes neurais artificiais. A metodologia proposta é aplicada em três casos de estudo de sistemas não lineares com dados experimentais, a saber, a dinâmica vertical de um veículo, um atuador com junta flexível baseado em elastômero e um sistema de posicionamento eletromecânico. Os resultados mostram que o modelo híbrido proposto é até 60 por cento mais preciso enquanto proporciona a interpretabilidade física do sistema, sem aumentar significativamente a complexidade do modelo.