O diagnóstico estrutural é parte essencial na manutenção de qualquer construção. No entanto, monitorar continuamente a deterioração de uma estrutura com a ajuda de um corpo técnico pode ser custoso. Assim, nossa pesquisa - Aprendizagem de Máquina Aplicada ao Diagnóstico de Saúde de Estruturas - busca automatizar a tarefa. Para isso, aplicamos diferentes níveis de desgaste em uma viga metálica presa em ambas as extremidades, vibrando-a com atuadores magnéticos e medindo sua resposta com Unidades de Medida Inercial (IMUs) em cada etapa de desgaste. Aplicando filtragem adaptativa, respostas em frequência foram geradas a partir dos dados de acelerômetros dos IMUs, com o objetivo de treinar modelos de Inteligência Artificial (IA). Dois métodos foram utilizados para diagnóstico automatizado: treinamento de algoritmos supervisionados - Multilayer Perceptron (MLP) e Random Forest Classifier (RFC) - a partir dos harmônicos presentes na resposta em frequência; treinamento de algoritmo não supervisionado - autoencoder - a partir da resposta em frequência completa. Os modelos supervisionados alcançaram precisão média de 72% na previsão do nível de desgaste e 97% na previsão da presença de desgaste, enquanto as análises com autoencoder reconheceram dano logo no primeiro nível de desgaste. Embora os modelos supervisionados tenham apresentado precisão elevada, sua aplicabilidade é limitada pela necessidade de exposição aos dados da estrutura danificada. Por sua vez, o autoencoder apresentou sensibilidade suficiente para diagnosticar deterioração mesmo quando houve dano superficial. Ainda, por se tratar de um algoritmo não supervisionado, o autoencoder necessita apenas de leituras realizadas na estrutura intacta, tornando-o adequado para aplicações reais onde esta é a única informação disponível. Ao fim do projeto, foi obtido um método de diagnóstico de saúde de estruturas com IA funcional, mostrando que algoritmos não supervisionados e autoencoders podem ser promissores.