Se ha implementado una serie de técnicas de advertencia inteligente para detectar el diagnóstico de infraestructuras submarinas para reemplazar parcialmente las inspecciones en el sitio realizadas por humanos. Sin embargo, la amplia variabilidad de la situación del mundo real (por ejemplo, las condiciones ambientales adversas, el espacio de muestra limitado y los tipos de defectos complejos) puede plantear desafíos para la amplia adopción de técnicas de advertencia inteligente. Para superar estos desafíos, este documento propuso un algoritmo inteligente que combina la matriz de co-ocurrencia de niveles de gris (GLCM) con el mapa de autoorganización (SOM) para un diagnóstico preciso de los daños estructurales submarinos. Con el fin de optimizar el criterio generativo para la construcción de GLCM, se propuso un algoritmo triangular basado en experimentos ortogonales. Las GLCM construidas se utilizaron para evaluar las características de textura de las regiones de interés (ROI) de imágenes de microlesiones de estructuras submarinas y extraer parámetros característicos de textura de imágenes de daños. Se utilizó el método de selección de características digitales (DFS) para obtener las características más relevantes como entrada para la red SOM. De acuerdo con la información topológica única de la red SOM, se optimizó el resultado de clasificación, la eficiencia de reconocimiento, los parámetros, como el número de capas de red, el nodo de capa oculta y el paso de aprendizaje. La robustez y adaptabilidad del enfoque propuesto se probaron en imágenes de estructuras submarinas a través del método DFS. Los resultados mostraron que el método propuesto reveló un rendimiento bastante mejor y puede diagnosticar daños en estructuras en situaciones submarinas realistas.