Esta dissertação desenvolve-se em torno do problema da deteção de defeitos em couro. A deteção de defeitos em couro é um problema tradicionalmente resolvido manualmente, usando avaliadores ex perientes na inspeção do couro. No entanto, como esta tarefa é lenta e suscetível ao erro humano, ao longo dos últimos 20 anos tem-se procurado soluções que automatizem a tarefa. Assim, surgiram várias soluções capazes de resolver o problema eficazmente utilizando técnicas de Machine Learning e Visão por Computador. No entanto, todas elas requerem um conjunto de dados de grande dimensão anotado e balanceado entre as várias categorias. Assim, esta dissertação pretende automatizar o processo tradicio nal, usando técnicas de Machine Learning, mas sem recorrer a datasets anotados de grandes dimensões. Para tal, são exploradas técnicas de Novelty Detection, as quais permitem resolver a tarefa de inspeção de defeitos utilizando um conjunto de dados não supervsionado, pequeno e não balanceado. Nesta dis sertação foram analisadas e testadas as seguintes técnicas de novelty detection: MSE Autoencoder, SSIM Autoencoder, CFLOW, STFPM, Reverse, and DRAEM. Estas técnicas foram treinadas e testadas com dois conjuntos de dados diferentes: MVTEC e Neadvance. As técnicas analisadas detectam e localizam a mai oria dos defeitos das imagens do MVTEC. Contudo, têm dificuldades em detetar os defeitos das imagens do dataset da Neadvance. Com base nos resultados obtidos, é proposta a melhor metodologia a usar para três diferentes cenários. No caso do poder computacional ser baixo, SSIM Autoencoder deve ser a técnica usada. No caso onde há poder computational suficiente e os exemplos a analisar são de uma só cor, DRAEM deve ser a técnica escolhida. Em qualquer outro caso, o STFPM deve ser a opção escolhida.