Este estudio tiene como objetivo investigar y proponer un enfoque de aprendizaje automático que pueda detectar con precisión el consumo de alcohol al analizar los patrones térmicos de las características faciales. Se utilizaron imágenes térmicas de la Base de Datos de Rostros de Tufts y imágenes recopiladas por uno mismo para entrenar los modelos en la identificación de variaciones de temperatura en regiones faciales específicas. Se emplearon Redes Neuronales Convolucionales (CNN) y algoritmos YOLO (You Only Look Once) para extraer características faciales, mientras que clasificadores como Máquinas de Vectores de Soporte (SVM), Perceptrón Multicapa (MLP) y K-Vecinos Más Cercanos (KNN), así como Bosques Aleatorios y regresión lineal, clasifican a los individuos como sobrios o intoxicados en función de sus imágenes térmicas. Se espera que la efectividad de los modelos en el análisis de imágenes térmicas para determinar la intoxicación por alcohol proporcione una base para el desarrollo de un sistema realista de detección de conductores ebrios basado en imágenes térmicas. En este estudio, el MLP obtuvo un 90% de precisión y superó a los otros modelos en la clasificación de las imágenes térmicas, ya sea como sobrias o mostrando signos de consumo de alcohol. Los modelos entrenados pueden integrarse en sistemas avanzados de detección de ebriedad como parte de una aplicación de seguridad en el vehículo.