El desequilibrio del rotor en los UAV quadrotor representa un desafío crítico, comprometiendo la estabilidad de vuelo, aumentando las demandas de mantenimiento y reduciendo la eficiencia operativa general. Los métodos tradicionales de análisis de vibraciones, como la Transformada Rápida de Fourier (FFT) y el análisis de wavelet, a menudo tienen dificultades con señales no estacionarias y el procesamiento de datos en tiempo real, limitando su efectividad en condiciones operativas dinámicas de UAV. Para abordar estos desafíos, este estudio desarrolla un sistema de análisis de vibraciones basado en aprendizaje automático utilizando una red neuronal de Perceptrón Multicapa (MLP) para la detección de desequilibrio del rotor en tiempo real. El sistema integra sensores de Sistemas Microelectromecánicos (MEMS) para la adquisición de datos de vibración, técnicas de preprocesamiento para la reducción de ruido y extracción de características, y una arquitectura MLP optimizada adaptada a datos de vibración de alta dimensión. La validación experimental se llevó a cabo en escenarios de vuelo controlados, recopilando un conjunto de datos completo de 800 muestras que representan tanto condiciones de rotor equilibrado como desequilibrado. El modelo MLP optimizado, que cuenta con cinco capas ocultas, logró un Error Cuadrático Medio (RMSE) de 0.1414 y un coeficiente de correlación (R2) de 0.9224 en el conjunto de datos de prueba, demostrando alta precisión y fiabilidad. Este estudio destaca el potencial de los diagnósticos basados en MLP para mejorar la fiabilidad, seguridad y eficiencia operativa de los UAV, proporcionando una solución escalable y efectiva para la detección de desequilibrio del rotor en entornos dinámicos. Los hallazgos ofrecen implicaciones significativas para mejorar el rendimiento de los UAV además de minimizar el tiempo de inactividad en diversas aplicaciones industriales y comerciales.