Since the synchronous machine in its operation as a generator constitutes a vital element in electrical power systems, programs development and predictive maintenance techniques, in order to identify and fix problems in the machine before irreversible damage is done, is priority. A methodology is established below to detect incipient failures in a tested synchronous generator bearings using Support Vector Machines (SVM). Phase currents analysis is presented, using various methods for data reduction and matching algorithms learning based on support vector machines as data classifier element, in order to obtain a model that is capable of discriminate the condition of a machine, as far as mechanical failures are concerned. The training of support vector machines to obtain the classification criteria was executed using MatLab’s SVM commands. The functions provided by this software allowed: training, optimization and subsequent classifier validation. The results obtained showed that the method applied based on SVM has a good fault recognition ability presented in the different components of the bearing, for different operating conditions.Dado que la máquina sincrónica en su funcionamiento como generador constituye un elemento vital en los sistemas eléctricos de potencia, el desarrollo de programas y técnicas de mantenimiento predictivo, a fin de identificar y solucionar problemas en la máquina antes de que se produzcan daños irreversibles en la misma es prioridad. A continuación se establece una metodología para detectar fallas incipientes en rodamientos de un generador sincrónico de prueba a través de máquinas de vectores de soporte (SVM por sus siglas en inglés). Se presenta el análisis de las corrientes de fase, utilizando métodos variados para la reducción de los datos y algoritmos de aprendizaje automático basados en las máquinas de vectores de soporte como elemento clasificador de datos; a fin de obtener un modelo que sea capaz de discriminar la condición de una máquina, en cuanto a fallas mecánicas se refiere. El entrenamiento de las máquinas de vectores de soporte para obtener los criterios de clasificación se ejecutó utilizando los comandos para SVM de MatLab, las funciones que brinda este software permitieron: el entrenamiento, la optimización y la posterior validación de los clasificadores. Los resultados obtenidos demostraron que el método aplicado basado en la SVM posee una buena capacidad de reconocimiento de fallas presentadas en los diferentes componentes del rodamiento, para distintas condiciones de operación.