En la industria del calzado, los riesgos laborales son significativos y los accidentes laborales son frecuentes. Los profesionales en el campo preparan documentos e informes sobre estos accidentes, pero la necesidad de más tiempo y recursos limita el aprendizaje basado en incidentes pasados. Los métodos de aprendizaje automático (ML) y aprendizaje profundo (DL) se han aplicado para analizar datos de estos documentos, identificando patrones de accidentes y clasificando la gravedad de los daños. Sin embargo, evaluar el rendimiento de estos métodos en diferentes sectores económicos es crucial. Este estudio examinó métodos neuronales y no neuronales para clasificar la gravedad de los accidentes laborales en el complejo de la industria del calzado. Los métodos de bosque aleatorio (RF) y aumento extremo de gradiente (XGBoost) fueron los métodos no neuronales más efectivos. Los métodos neuronales redes neuronales convolucionales 1D (1D-CNN) y memoria a corto y largo plazo bidireccional (Bi-LSTM) mostraron un rendimiento superior, con parámetros por encima del 98% y 99%, respectivamente, aunque con un tiempo de entrenamiento más largo. Se concluye que el uso de estos métodos es viable para clasificar accidentes en la industria del calzado. Los métodos pueden clasificar nuevos accidentes y simular escenarios, demostrando su adaptabilidad y fiabilidad en diferentes sectores económicos para la prevención de accidentes.