El siguiente artículo propone un enfoque novedoso de aprendizaje automático para la segmentación de los mercados de vivienda urbanos. Extraemos características de imágenes satelitales disponibles globalmente utilizando un modelo de aprendizaje automático no supervisado llamado MOSAIKS, y aplicamos un algoritmo de agrupamiento k-means a las características extraídas para identificar submercados a múltiples escalas intraurbanas dentro de un estudio de caso en Madrid (España). Para explorar sistemáticamente los efectos de escala en los clústeres resultantes, se repite el análisis con tamaños variables de parches de imágenes satelitales. Evaluamos los clústeres resultantes a través de escalas utilizando varias métricas internas de evaluación de clústeres. Además, utilizamos datos del portal de anuncios en línea Idealista para medir la homogeneidad de los precios de la vivienda dentro de los clústeres, para entender qué tan bien se pueden diferenciar los submercados por las características de la imagen. Este artículo evalúa las fortalezas y debilidades del método para identificar submercados de vivienda urbana, una tarea que es importante para planificadores y responsables de políticas y que a menudo se ve limitada por la falta de datos. Concluimos que el enfoque parece útil para dividir grandes mercados de vivienda urbanos según diferentes atributos y escalas.