El documento presenta un algoritmo de aprendizaje automático y reconocimiento de patrones acoplado para permitir la detección de daños por fatiga en etapas tempranas en aleaciones de aluminio de grado aeroespacial. Las muestras de Al7075-T6 con muescas en U y V están instrumentadas con un par de sensores ultrasónicos y, posteriormente, se prueban en un aparato MTS integrado con un microscopio confocal y un microscopio digital. El microscopio confocal se enfoca en la raíz de la muesca de las muestras, mientras que el microscopio digital se enfoca en el lado de la muesca. Se extraen dos características, a saber, el desplazamiento de apertura de la grieta (COD) y la longitud de la grieta, durante las pruebas además de los datos de la señal ultrasónica. Estos datos de señal se analizan utilizando un marco de aprendizaje automático que se basa en un algoritmo simbólico de series temporales. Este marco se interroga para la detección de grietas en el régimen de coalescencia de grietas (CC) definido por un COD de ~3 m y detectado a través del microscopio confocal. Además, el marco se investiga en el régimen de propagación de grietas (CP) caracterizado por una longitud de grieta de ~0.2 mm y detectado a través del microscopio digital. Para el régimen de CC, se logran precisiones de entrenamiento del 79.82% y 81.94%, mientras que se observan precisiones de prueba del 68.18% y 74.12% para las muestras con muescas en U y V, respectivamente. Para el régimen de CP, se observan precisiones de entrenamiento generales del 88.3% y 91.85%, y en consecuencia, se obtienen precisiones de prueba del 81.94% y 85.62% para las muestras con muescas en U y V, respectivamente. Los resultados muestran que un algoritmo combinado de aprendizaje automático y reconocimiento de patrones permite una detección de daños por fatiga robusta y confiable en componentes estructurales aeroespaciales.