En un entorno ferroviario, el fallo de un rodamiento durante el servicio provoca un funcionamiento anormal de la maquinaria pudiendo causar, además de grandes pérdidas económicas, el descarrilamiento. Por tanto, se consideran componentes críticos de seguridad y la monitorización de la condición y la diagnosis de fallos es indispensable [1], [2]. Con el fin de afinar el diagnóstico del estado, este estudio desarrolla diferentes metodologías para clasificar las señales de vibración de dichos elementos usando técnicas de inteligencia artificial, principalmente los dos enfoques dados a los mapas autoorganizados o SOM (self-organizing maps). El primer enfoque evalúa el SOM como clasificador comparándolo con un perceptrón multicapa (MLP). El segundo enfoque determina los efectos de reducir la dimensionalidad con el SOM en la entrada de un MLP, usado como clasificador. Además, también se estudia los efectos de otra técnica de reducción de dimensionalidad basada en la decorrelación de características. Respecto al primer enfoque, se concluye que el SOM funciona mejor como clasificador que el MLP, independientemente de la dimensionalidad de la entrada. En relación al segundo enfoque, se concluye que los efectos de la reducción de dimensionalidad por decorrelación son mayores que los del SOM, obteniendo mejores resultados con la combinación de ambas técnicas. En conclusión, la mejor metodología se compone de la extracción de 11 características, reducción de dimensionalidad con la técnica de decorrelación y clasificación con el SOM