The Exploration and Production (E&P) offshore segment of the Oil & Gas industry is responsible for most of the oil and gas production in Brazil. Due to the high level of complexity in this industry, it has been demanding new technologies over the past few years. This work aims to develop systems for detecting and classifying failures (anomalies) in offshore oil production wells. Two real data sets are considered in this work. The first set consists of wells operated with artificial lift by gas lift. The second approach uses public domain data 3W dataset that were collected from production wells with natural elevation. Stacked autoencoders are used in artificial elevation gas lift wells to reduce dimensionality and pattern recognition techniques such as k-NN and decision tree for an unknown failure in an oil well. After the development of these classifiers, part of the recall values obtained are greater than 0.98, which shows the applicability of the proposed system in detecting flaws in non-emergent production wells. For emergent wells, stacked autoencoders were used to reduce dimensionality. The data after the treatment were used as inputs for classifiers of only one class (one-class) such as SVM and isolation forest in order to detect anomalies in the process as hydrate in the production line. The results of the F1 score averages presented by the models are compared with other works published in journals and congresses where an improvement is observed in relation to the other proposed approaches. Autoencoders were effective for problems in detecting and classifying anomalies in offshore oil production wells, presenting satisfactory results.O segmento de Exploração e Produção (E&P) offshore da indústria de Óleo & Gás é responsável pela maior parte da produção de petróleo e gás no Brasil. Devido ao elevado nível de complexidade nessa indústria, ela vem demandando novas tecnologias ao longo dos últimos anos. O presente trabalho tem como objetivo o desenvolvimento de sistemas para detecção e classificação de falhas (anomalias) em poços de produção de petróleo offshore baseados em autoencoders empilhados. Dois conjuntos de dados reais são considerados neste trabalho. O primeiro conjunto é de um poço operado com elevação artificial por gas lift, conjunto este obtido durante a execução deste trabalho. Já no segundo, são utilizados os dados de domínio público 3W dataset que foram coletados de poços de produção com elevação natural. Em poços com elevação artificial por gas lift, são aplicados autoencoders empilhados para redução de dimensionalidade e técnicas de reconhecimento de padrões como k-NN e Árvore de Decisão para uma falha desconhecida em um poço de petróleo. Após o desenvolvimento destes classificadores, parte dos valores de recall obtidos são superiores a 0.98, o que mostra a aplicabilidade do sistema proposto em detectar falhas em poços de produção não surgentes. Para poços surgentes, foram utilizados também os autoencoders empilhados para redução de dimensionalidade. Os dados após terem sido tratados foram utilizados como entradas para classificadores de apenas uma classe (one-class) como SVM e Floresta de Isolamento de forma a detectar anomalias no processo, como hidrato em linha de produção. Os resultados das médias F1 score correspondentes aos modelos utilizados são comparados com outros trabalhos da literatura, nos quais é observada uma melhora em relação às outras abordagens propostas. Os autoencoders foram eficazes na redução de dimensão em problemas de detecção e classificação de anomalias em poços de produção de petróleo offshore apresentando resultados satisfatórios.