Algoritmos evolutivos com inspiração quântica representam um dos mais recentes avanços na área de computação evolucionária. Eles têm sido utilizados para se evoluir redes neurais artificiais em contrapartida aos métodos tradicionais de treinamento baseados no gradiente decrescente e retropropagação do erro. O algoritmo utilizado neste trabalho foi o NeuroEvolutivo com Inspiração Quântica e representação mista Binária e Real (NEIQ-BR) desenvolvido para modelagem de redes neurais do tipo perceptron de múltiplas camadas e utilizado em problemas de classificação de padrões. A técnica de regularização de complexidade denominada decaimento de pesos tem como objetivo fazer com que os pesos excessivos, ou seja, aqueles que têm pequena ou nenhuma influência sobre a rede, assumam valores próximos de zero, reduzindo com isto a complexidade da rede e melhorando sua capacidade de generalização. Este trabalho introduz a técnica de regularização de complexidade de decaimento de pesos no algoritmo neuroevolutivo em referência e avalia o desempenho do algoritmo em três casos benchmark de classificação de padrões. Os resultados serão comparados aos obtidos com o algoritmo original.