Los métodos actuales que apuntan a monitorear el estado de salud estructural (SHS) de los pavimentos de carreteras permiten detectar defectos y fallas en la superficie. Sin embargo, existe una falta de métodos y sistemas capaces de identificar grietas ocultas (en particular, grietas ascendentes) y monitorear su crecimiento con el tiempo. Por esta razón, el objetivo de este estudio es establecer un método basado en el aprendizaje automático supervisado (ML) para la identificación y clasificación del SHS de un pavimento de carretera con grietas diferentes basado en su firma vibroacústica. El método tiene como objetivo recopilar estas firmas (utilizando sensores acústicos, ubicados en el borde de la carretera) y clasificar el SHS del pavimento a través de modelos de ML. Se utilizaron y compararon diferentes clasificadores de ML (es decir, perceptrón multicapa, MLP, red neuronal convolucional, CNN, clasificador de bosque aleatorio, RFC, y clasificador de vector de soporte, SVC). Los resultados muestran la posibilidad de asociar con gran precisión (es decir, MLP = 91.8%, CNN = 95.6%, RFC = 91.0%, y SVC = 99.1%) una firma vibroacústica específica a un pavimento de carretera con grietas diferentes. Estos resultados son alentadores y representan las bases para la aplicación del método propuesto en contextos reales, como el monitoreo de carreteras y puentes utilizando redes de sensores inalámbricos, que es el objetivo de futuros estudios.