Gravitational Wave Astronomy is an emerging field revealing hidden information from Astrophysics and Cosmology. The increasing volume of observational data and Numerical Relativity simulations has promoted several analyzes and modeling of compact binaries’ gravitational waves. Especially, Machine Learning has become a great support to boost research. In this project, we developed a U-Net Deep Learning model that detects possible anomalous waveforms in a Numerical Relativity catalog. We use binary black hole simulations with varying masses and spins. We categorized seven different anomaly types during the coalescence stages with a dataset of dominant and higher modes waveforms.A Astronomia de Ondas Gravitacionais é uma área emergente que vem revelando informações escondidas da Astrofísica e Cosmologia. O volume crescente de dados observacionais e de simulações da Relatividade Numérica promoveu diversas análises e modelagens de ondas gravitacionais de binários compactos. Em meio às abordagens, o Aprendizado de Máquina se tornou um grande suporte para impulsionar as pesquisas. Neste projeto, desenvolvemos um modelo de Aprendizado Profundo do tipo U-Net que detecta possíveis formas de ondas anômalas em um catálogo de Relatividade Numérica. Utilizamos simulações de binários de buracos negros com variadas razões de massas e spins. Neste conjunto de dados de formas de ondas de modos dominantes e modos altos, categorizamos sete tipos de anomalias diferentes durante os estágios de coalescência.