A NASA desenvolveu o Telescópio Kepler usando observações de eventos de trânsito, que são pequenas quedas no brilho de uma estrela quando um planeta passa na frente dela. Como os eventos de trânsito duram apenas uma fração do dia, todas as estrelas devem ser monitoradas continuamente, implicando que seus brilhos devem ser medidos pelo menos uma vez a cada poucas horas. A capacidade de visualizar continuamente as estrelas monitoradas determina que o campo de visão nunca deve ser bloqueado em qualquer época do ano. Tais condições, principalmente no espaço, são difíceis de prever, por isso, alguns casos de falso positivos e negativos ocorrem na hora da classificação de exoplanetas. A fim de aperfeiçoar essa classificação, tratando o problema de falsos positivos e negativos, foi desenvolvido dois tipos de abordagens de modelos preditivos para as observações de exoplanetas feita pelo telescópio Kepler. Para tal desenvolvimento foi utilizado um sistema Model Free, baseado em modelos de aprendizagem de máquina usando Redes Neurais e Rede Neuro-Fuzzy, e também modelos mais matemáticos, como Controle Extremal. Para o modelo de Redes Neurais, foram escolhidos e comparados dois modelos feitos em Python™: Perceptron e Multi-Layer Perceptron. Desses modelos, foi utilizado o com melhor resultado envolvendo métrica de acurácia, precisão, recall e RMSE. Para o modelo de Redes Neuro-Fuzzy, foram escolhidos e comparados dois modelos distintos usando duas bases de dados diferentes desenvolvido também em MATLAB. Desses modelos, foi utilizado o com melhor resultado envolvendo métrica de acurácia e RMSE. Para o modelo de Controle Extremal foi modelado um sistema em MATLAB com mesmo ruído que o a base de dados, escolhida uma função de custo, e em seguida foi aplicado uma entrada senoidal e construído um controle eficiente para analisar a melhor resposta do sistema.