Los puentes se deterioran con el tiempo, lo que requiere la monitorización continua de su estado. Hay muchas tecnologías digitales para inspeccionar y monitorear puentes en tiempo real. En este contexto, la visión por computadora ha estudiado extensamente las grietas para automatizar su identificación en superficies de concreto, superando los métodos manuales convencionales que dependen del juicio humano. El marco general de las técnicas basadas en visión consiste en la extracción de características utilizando diferentes filtros y descriptores y el entrenamiento del clasificador para realizar la tarea de clasificación. Sin embargo, el entrenamiento puede ser lento y costoso computacionalmente, dependiendo de la dimensión de las características. Para abordar esta limitación, se aplican técnicas de reducción de dimensionalidad a las características extraídas y se genera un nuevo subespacio de características. Este trabajo utilizó histogramas de gradientes orientados (HOGs) y patrones binarios locales uniformes (ULBPs) para extraer características de un conjunto de datos que contiene más de 3000 imágenes sin grietas y con grietas que cubren diferentes patrones de grietas y representaciones de superficies de concreto. Se realizó una reducción de dimensionalidad no lineal utilizando análisis de componentes principales del kernel (KPCA), y se implementaron tres clasificadores de aprendizaje automático para realizar la clasificación. Los resultados experimentales muestran que el esquema de clasificación basado en el modelo de máquina de vectores de soporte (SVM) y la fusión a nivel de características de los HOG y ULBP después de la aplicación de KPCA proporcionaron los mejores resultados, ya que se logró una precisión del 99.26% con el marco de clasificación propuesto.