En este estudio, se investigó la influencia combinada de la dirección de la vibración, la estrategia de selección de características y el núcleo de la máquina de vectores de soporte (SVM) en la precisión de clasificación de fallos de desbalance. Se realizaron experimentos en un banco de pruebas de rotor Jeffcott a una velocidad constante y bajo tres condiciones de operación. Se utilizó el método de ventana deslizante superpuesta para la expansión de muestras en bruto. Las características extraídas de señales en el dominio del tiempo y de los espectros de orden y potencia obtenidos en el dominio de la frecuencia se clasificaron utilizando el algoritmo de Kruskal-Wallis. Basándose en los resultados de clasificación de características, se alimentaron a los clasificadores SVM con diferentes núcleos las tres características más discriminativas para cada combinación de dominio-eje, así como las nueve características más discriminativas para cada eje de manera híbrida, y se evaluó su rendimiento utilizando validación cruzada de diez pliegues. La clasificación utilizando señales de vibración en la dirección vertical tuvo tasas de precisión más altas que las que utilizaron señales en la dirección horizontal para los conjuntos de características obtenidos en los mismos dominios. Según los resultados estadísticos, la selección del conjunto de características tuvo un impacto mucho mayor en la precisión de clasificación que la elección del núcleo SVM. Las características basadas en el espectro de potencia permitieron mayores precisiones de clasificación en todos los algoritmos SVM en comparación con las características del dominio del tiempo y las características basadas en el espectro de orden para detectar fallos de desbalance. Aumentar el número de características o emplear selección de características híbrida no resultó en una mejora consistente o significativa en el rendimiento general de clasificación. Seleccionar el núcleo SVM adecuado moldea tanto la flexibilidad del modelo como su ajuste al espacio de características elegido; cuando este ajuste es inadecuado, la precisión de clasificación puede disminuir. En consecuencia, al seleccionar la dirección de vibración adecuada, el conjunto de características y el núcleo SVM, se logró una mejora de hasta el 67% en la precisión de clasificación de fallos de desbalance.