En el ámbito de la protección de infraestructuras críticas, los sistemas de detección de intrusiones (IDS) robustos son esenciales para asegurar los servicios fundamentales. Este documento investiga la eficacia de varios algoritmos de aprendizaje automático para la detección de anomalías dentro de la infraestructura crítica, utilizando el conjunto de datos de Tratamiento Seguro de Agua (SWaT), una colección completa de datos de series temporales de un banco de pruebas de tratamiento de agua, para experimentar y analizar los hallazgos. El estudio evalúa algoritmos de aprendizaje supervisado junto con algoritmos de aprendizaje no supervisado. El análisis revela que los algoritmos de aprendizaje supervisado exhiben un rendimiento excepcional con alta precisión y fiabilidad, lo que los hace muy adecuados para manejar la naturaleza diversa y compleja de las anomalías en la infraestructura crítica. Demuestran capacidades significativas para capturar variables espaciales y temporales. Entre los enfoques no supervisados, se proporcionan valiosas ideas sobre la detección de anomalías sin la necesidad de datos etiquetados, aunque enfrentan desafíos con tasas más altas de falsos positivos y negativos. Al delinear los beneficios y desventajas de estos algoritmos de aprendizaje automático en relación con la infraestructura crítica, esta investigación avanza en el campo de la ciberseguridad. Se enfatiza la importancia de integrar técnicas supervisadas y no supervisadas para mejorar la resiliencia de los IDS, asegurando la detección y mitigación oportuna de amenazas potenciales. Los hallazgos ofrecen orientación práctica para los profesionales de la industria sobre la selección y despliegue de algoritmos de aprendizaje automático efectivos en entornos de infraestructura crítica.