En el Uruguay, UTE trabaja para detectar posibles clientes fraudulentos, sin embargo el gran número de clientes y la gran variedad de fraudes que se pueden cometer hacen de esta un tarea de gran complejidad. En este trabajo se estudia y aplica la teoría de reconocimiento de patrones a la detección de consumos anómalos (con sospechas de ser fraudulento). Los fraudes cometidos por clientes consumidores de energía eléctrica producen cuantiosas perdidas a las empresas distribuidoras. DeCA pretende aportar una herramienta que permita a los trabajadores de UTE detectar con mayor facilidad y eficiencia aquellos consumidores cuyas curvas de consumo presentan anomalías que justifican realizar una inspección. Para esto, se utilizaran clasificadores como One Class SVM, CS-SVM, OPF y el árbol C4.5 estabilizado con Adaboost, también se proponen estrategias novedosas para combinar estos clasificadores, y se utilizan medidas de performance como el F-value el Recall y Precision, teniendo especial consideración del problema de desbalance de clases. Luego, se presentan resultados obtenidos usando un conjunto de 1504 clientes proporcionados por UTE y se evalúa la performance en campo mediante la realización de inspecciones. También se realizó una interfaz de usuario que permite utilizar todas las herramientas implementadas de manera sencilla y realizar pruebas con distintas base y estrategias.