Os oceanos, um dos principais ecossistemas do planeta, enfrentam diversas ameaças ao seu equilíbrio, sendo o vazamento de óleo um dos mais graves. Este estudo se propõe a utilizar a aprendizagem de máquina como ferramenta para uma rápida identificação desses vazamentos com o objetivo de minimizar os danos e custos associados. Três modelos são explorados com esta finalidade: Máquinas de Vetores de Suporte (SVM), um algoritmo muito eficaz em tarefas de classificação, Redes Neurais Convolucionais (CNN), que são altamente especializadas em tarefas de visão computacional, e Autoencoder Variacional (VAE), método reconhecido pela capacidade de detecção de anomalias. Os dois primeiros modelos foram construídos para realizar uma classificação multi-rótulo das imagens numa abordagem contextualizada, levando em consideração elementos como áreas costeiras, navios e look-alikes. Look-alikes representam um desafio ao objetivo final desta pesquisa, uma vez que se manifestam como manchas escuras nas imagens capturadas por satélites, de forma similar às manchas de vazamentos de óleo, contudo, sua origem não está relacionada a atividades humanas. A perspectiva da classificação multi-rótulo se apresenta como crucial na busca por tomar decisões direcionadas e evitar falsos positivos. A CNN destacou-se por sua capacidade de identificar múltiplas etiquetas multi-rótulo. Já o SVM tem a tendência de gerar proporções de acertos mais elevadas para cada etiqueta específica. E os resultados do VAE demonstram uma reconstrução altamente precisa. No final, espera-se que estes modelos possam trabalhar conjuntamente através de um sistema de votação para melhorar a detecção de vazamentos.