Este documento propone una metodología para la evaluación automatizada del daño por fatiga, que ha sido probada y validada con especímenes de aleación policristalina (A7075-T6) en un aparato experimental. Basado en un conjunto de series temporales de datos de pruebas ultrasónicas (UT), se ha encontrado que el procedimiento propuesto es capaz de detectar el daño por fatiga (en una etapa temprana) en estructuras mecánicas, lo que es seguido por una evaluación en línea del riesgo asociado. El concepto subyacente se basa en dos modelos de red neuronal (NN), donde el primer modelo de NN identifica la característica de los datos de UT que pertenece a una de las dos clases: estructura no dañada y estructura dañada, y el segundo modelo de NN clasifica aún más una estructura dañada identificada en tres clases: bajo riesgo, riesgo medio y alto riesgo. La información de entrada para el segundo modelo de NN es el desplazamiento de apertura de la punta de la grieta (CTOD), que se calcula mediante el primer modelo de NN a través de regresión lineal a partir de un conjunto de datos ópticos, adquiridos de los experimentos. Ambos modelos de NN han sido entrenados utilizando algoritmos de gradiente conjugado escalado. Los resultados muestran que el primer modelo de NN clasifica la energía de las señales de UT con una precisión de hasta el 98.5%, y que la precisión del segundo modelo de NN es del 94.6%.