La restricción del crecimiento intrauterino (RCIU) es una restricción del feto que involucra la tasa de crecimiento anormal del feto, y tiene un gran impacto en la salud del recién nacido. Los algoritmos de aprendizaje automático (ML) pueden ayudar en la predicción temprana y discriminación de la anormalidad de la salud del feto para ayudar a reducir el riesgo durante el período anteparto. Por lo tanto, en este estudio, se utilizó Random Forest (RF), Máquina de Vectores de Soporte (SVM), Vecino más Cercano (KNN) y Gradient Boosting (GB) para discriminar si un feto estaba sano o sufría de RCIU basado en la frecuencia cardíaca fetal (FHR). Se utilizó el método de Eliminación de Características Recursivas (RFE) para seleccionar la característica significativa para la clasificación del feto. Además, el estudio de Inteligencia Artificial Explicable (EAI) se implementó utilizando LIME y SHAP para generar la explicación y agregar comprensibilidad en los modelos propuestos. Los resultados experimentales indican que RF logró la mayor precisión (0.97) y puntuación F1 (0.98) con el conjunto reducido de características. Sin embargo, el SVM lo superó en cuanto al Valor Predictivo Positivo (PPV) y especificidad (SP). El rendimiento del modelo fue validado aún más utilizando otro conjunto de datos y se encontró que superó los estudios de referencia para ambos conjuntos de datos. El modelo propuesto puede ayudar a los médicos en la monitorización de la salud fetal y mejorar el proceso de predicción.