Debido a la importancia de los motores de inducción en una amplia variedad de procesos industriales, es crucial identificar adecuadamente las condiciones anormales para evitar paradas inesperadas. El cortocircuito entre devanados (ITSC) es una falla muy común producida por tensiones eléctricas y afecta a los motores de inducción (IM), lo que lleva a daños catastróficos. Por lo tanto, este trabajo propone el uso de la transformada de wavelet empírica para caracterizar el comportamiento en el tiempo y la frecuencia del IM combinado con una estructura de mapa autoorganizado (SOM) para realizar una detección y clasificación automática de diferentes severidades de ITSC. Dado que la cantidad de información obtenida de la transformada de wavelet empírica es grande, se implementa un algoritmo genético para seleccionar los modos que permiten una reducción en el error de cuantización en el SOM. La metodología propuesta se aplica a un IM real durante el transitorio de arranque considerando cuatro frecuencias fundamentales diferentes. Los resultados demuestran que esta técnica es capaz de detectar y clasificar tres severidades de fallas diferentes independientemente de la frecuencia de operación.