The increasing awareness of global climate change has drawn attention to the role of forests as mitigators of this process as they act as carbon sinks to the atmosphere. Understanding the process of carbon storage in forests and its drivers, as well as presenting consistent models for their estimation, is a current demand. In this sense, the aim of this study was to evaluate the performance of machine learning techniques: support vector machines (SVM) and to propose a new nonlinear model extracted from the training of an artificial neural network (ANN) in the modeling of above ground carbon stock in a secondary semideciduous forest. SVM and ANN construction and training process considered independent variables selected by stepwise: minimum DBH (diameter of breast height - 1.3 m), maximum DBH, mean DBH, total height and number of trees, all by plot. SVM and the model extracted from ANN were applied to the data set intended for validation. Both techniques presented satisfactory performance in modeling carbon stock by plot, with homogeneous distribution and low dispersion of residues and predicted values close to those observed. Analysis criteria indicated superior performance of the model extracted from the artificial neural network, which presented a mean relative error of 6.94 %, while the support vector machine presented 13.52 %, combined with lower bias values and higher correlation between predictions and observations.La conciencia de la sociedad en relación a los cambios climáticos globales ha llamado la atención sobre el papel de los bosques como mitigadores de este proceso, ya que actúan como sumideros de carbono en la atmósfera. Comprender el proceso de almacenamiento de carbono en los bosques y sus determinantes, así como presentar modelos consistentes para su estimación es una demanda actual. En este sentido, el objetivo de este estudio fue evaluar el desempeño de las técnicas de máquina de vectores de soporte (SVM) y proponer un nuevo modelo no lineal extraído del entrenamiento de una red neuronal artificial (RNA) para modelar la cantidad de carbono sobre el suelo en un Bosque secundario estacional semideciduo. El proceso de construcción y entrenamiento de SVM y RNA consideró variables independientes seleccionadas por stepwise: DAP mínimo (diámetro de altura del pecho - 1.3 m), DAP máximo, DAP promedio, altura total promedio y número de árboles, todo por unidad de muestreo. La SVM y el modelo extraído de la RNA se aplicaron al conjunto de datos para su validación. Ambas técnicas mostraron un desempeño satisfactorio en la modelación de la cantidad de carbono por unidad de muestreo, con distribución homogénea y baja dispersión de residuos y valores pronosticados cercanos a los observados. Los criterios de análisis utilizados indicaron un desempeño superior del modelo extraído de la red neuronal artificial, que presentó un error relativo promedio de 6.94 %, mientras que la máquina de vectores de soporte presentó 13.52 % junto con valores de sesgo más bajos y una mayor correlación entre predicciones. y observaciones.