Neste artigo revisitamos o projeto de modelos lineares locais para identificação de sistemas dinâmicos com o intuito de adaptar seu uso a cenários com presença de outliers nos dados. Para este fim, avaliamos o desempenho de três modelos lineares locais oriundos da área de redes neurais artificiais e promovemos ajustes em suas regras de aprendizado com o auxílio do arcabouço de estatística robusta conhecido como {\em estimação-$M$}. Os experimentos computacionais realizados em 2 conjuntos de dados sintéticos e um de dados reais validam nossa hipótese de considerável melhora no desempenho dos modelos avaliados em cenários contaminados com outliers.
