Squirrel-cage induction motors are among most used rotary machinery in many industrial _elds. Fault detection in early stages is in high relevance due to technical and economic issues, and broken bars are among the most common faults in induction motors. This paper presents an approach to carry out detection of this failure using as input the current signal measured from one of the three motors phases. Independent Component Analysis (ICA) is used over the Fourier-domain spectral signals obtained from the input and its autocorrelation function. A notable di_erence on the standard deviation over a region of interest in one output can be distinguished in the current signals obtained from damaged and healthy motors. Further, a neural network is used to classify the motor's condition. The proposed methodologies obtained di_erent accuracy depending on the considerations. Classifying between broken bar and healthy motor using threshold values on current signals from 50% load motor the accuracy is around 91% and working with 75% load signals the accuracy is around 95% on average. Classifying the same two motor conditions using neural network the performance of the classi_cation is 97% and 99 %, respectively. Classifying between broken bar, half broken bar and healthy motor, the accuracy obtained is 85% working with 75% load signals and 80% working with 50% signals.Los motores trifásicos de inducción de tipo “Jaula de ardilla” son por mucho la maquinaria rotatoria más utilizada en la industria. La detección de fallas a tempranas etapas es de gran importancia debido a los problemas tanto técnicos como económicos que se pueden ocasionar, siendo el problema más común en motores de este tipo la ruptura de una o varias barras del rotor. Esta tesis presenta una técnica de detección de fallas utilizando la señal de corriente de una de las fases del motor. Se utiliza la técnica de separación de señales de análisis de componentes independientes" (ICA) en el espectro de frecuencia de la señal de corriente y de su autocorrelación para extraer características de la falla. Una notable diferencia en la desviación estándar sobre una región de interés puede ser distinguida entre características extraídas de una señal de corriente de un motor sano y de uno con daño en una barra del rotor. Posteriormente, se hace uso de una red neuronal para la clasificación final de la condición del motor. Con las metodologías propuestas se obtienen porcentajes de clasificación distintos dependiendo de las condiciones a trabajar. Clasificando barra rota o sano con umbrales como clasificador y con señales de corriente con 50% de carga del motor se obtienen exactitudes del 91% y con datos provenientes de señales de 75% de carga obtenemos hasta un 95% de exactitud en promedio. Para estos dos casos anteriores utilizando redes neuronales se obtienen exactitudes del 97% y 99% respectivamente. Clasificando entre barra rota, media barra rota y sano, la exactitud alcanzada es de 85% en el caso de señales de 75% de carga y 80% en señales de 50% de carga en promedio.