La cardiotocografía (CTG) es uno de los métodos de diagnóstico prenatal fundamentales para la vigilancia fetal tanto anteparto como intraparto. Aunque ha permitido una reducción significativa en la mortalidad y morbilidad neonatal e intraparto, su precisión diagnóstica todavía está lejos de ser completamente satisfactoria. En particular, la identificación de trazas de CTG inciertas y sospechosas sigue siendo una tarea desafiante para los ginecólogos. La introducción de sistemas de análisis computerizados ha permitido evaluaciones más objetivas, posiblemente conduciendo a diagnósticos más precisos. En este trabajo, se abordó el problema de clasificar grabaciones sospechosas de CTG a través de un enfoque de aprendizaje automático. Se propuso un etiquetado basado en máquinas, y se realizó una clasificación binaria utilizando un clasificador de máquina de vectores de soporte (SVM) para distinguir entre trazas de CTG sospechosas y normales. Las mejores métricas de clasificación mostraron valores de precisión, sensibilidad y especificidad del 92%, 92% y 90%, respectivamente. Los principales resultados se compararon tanto con resultados obtenidos al considerar un conjunto de datos más desequilibrado como con estudios relevantes de literatura en el campo. El uso del SVM demostró ser prometedor en el campo de la clasificación de CTG. Sin embargo, la selección apropiada de características y el equilibrio del conjunto de datos son cruciales para lograr un rendimiento satisfactorio del clasificador.