As exigências do mercado mundial em relação à produtividade e qualidade dos produtos poliméricos tornam crescente o número dos trabalhos que tem como objetivo o monitoramento e o controle de qualidade final do látex polimérico. nesse contexto, a distribuição do tamanho de partícula (dtp) é uma das características mais importantes estando associada às propriedades reológicas, máximo teor de sólidos, adesão e tempo de secagem do látex. no entanto, para distribuições polidispersas ou com partículas muito pequenas, os métodos de determinação experimental das dtps ao longo da reação de polimerização possuem uma complexidade e requerem um tempo de análise que inviabilizam sua utilização em tempo real. a modelagem das dtps por meio das equações de balanço populacional, também enfrenta barreiras relacionadas a simplificações que viabilizam a resolução destas equações, mas tornam os resultados limitados. neste sentido, este trabalho propõe a inferência das curvas de distribuição de tamanho de partícula, através de rns multi layer perceptron (mlp) treinadas pelo algoritmo de otimização global particle swarm optimization (pso). os dados provenientes de reações de copolimerização em emulsão em reator loop contínuo foram selecionados como objeto de estudo, visto que para as condições reacionais investigadas são observadas sucessivas renucleações que provocam o aparecimento de distribuições multimodais ao longo das reações. o diferencial da estratégia está na implementação de uma rede neural dinâmica em série (rnds) e na utilização da função lognormal bimodal (flb) para descrever as dtps. os resultados mostram que a rnds prediz com precisão a evolução das dtps ao longo da reação, com alta correlação entre distribuições experimentais e preditas. além disso, a proposta de utilização de um algoritmo estocástico se mostrou consistente, visto que os valores para os desvios padrão dos parâmetros ajustados se mostraram sempre muito baixos.