A obtenção do tamanho projetado de partículas atmosféricas prismáticas é de imensa importância em diversos aspectos da vida prática. partículas expelidas por erupções vulcânicas podem por em risco a aviação civil e militar. cristais de gelo presentes em nuvens, dependendo de seu tamanho e formato, alteram as propriedades radiantes das nuvens que podem, por sua vez, afetar significativamente os modelos climáticos. uma forma indireta de se obter informações sobre as partículas prismáticas é através da utilização de instrumentos que registram padrões bidimensionais de dispersão de luz. estas imagens podem ser utilizadas para caracterizar uma partícula cristalina, fornecendo informações sobre tamanho, razão de proporção, forma, concavidade e rugosidade. neste trabalho procurou-se aplicar técnicas de aprendizado de máquina, em especial alguns modelos de redes neurais artificiais e técnicas de análise de dados, de forma a encontrar um modelo que apresente um desempenho satisfatório na tarefa de predição do tamanho projetado das partículas cristalinas. os modelos de redes neurais testados foram do tipo feed forward multi-layer perceptron com regularização bayesiana, as redes neurais do tipo função de base radial, e as redes deep learning do tipo autoencoders, a qual também foi aplicada com o propósito de redução dimensional. também foram testadas as técnicas de análise de dados de redução dimensional utilizando análise de componentes principais e invariância à rotação das imagens através da transformada rápida de fourier. os modelos apresentados foram aplicados a uma série de imagens e seus resultados comparados e analisados. o modelo desenvolvido que utiliza conceitos de deep learning com técnicas de autoencoder foi aquele que obteve os melhores resultados (performance de 0.9914), em especial na predição de tamanho projetado para as partículas menores, as quais tiveram maiores dificuldades de predição nos outros modelos propostos nesse trabalho.