Nesta tese é apresentada uma investigação de possibilidades em Inteligência Artificial na detecção de padrões e previsão de acidentes em rodovias. Para tanto, é realizada uma avaliação de diferentes técnicas de Aprendizado de Máquina baseadas em abordagens de agrupamento, classificação e predição de links, com base em dados de acidentes georreferenciados e modelados em estruturas de clustering, árvores (CART) e redes (redes neurais artificiais, redes bayesianas e redes complexas). Os resultados revelaram que as abordagens baseadas em redes complexas possibilitaram a detecção de estruturas de agrupamentos mais robustas, quando comparadas as técnicas tradicionais de clustering, uma vez que consideram na estrutura topológica dos dados conceitos de vizinhança. O agrupamento dos dados proporciona a redução da heterogeneidade das bases de dados, bem como a obtenção de regras de decisão (CART) com maior probabilidade de ocorrência e taxa geral de acerto. A classificação supervisionada da severidade dos acidentes em redes, utilizando as modelagens de redes neurais artificiais e redes bayesianas, permitiu identificar simultaneamente os fatores contribuintes a ocorrência dos acidentes, sejam estes associados ao motorista, as variáveis de infraestrutura viária ou as condições do ambiente. No entanto, por considerar o peso das variáveis utilizadas no processo de modelagem, a classificação por redes bayesianas tende a ser mais realista, sendo menos sensível ao overfitting. Quanto à predição dos acidentes, foi possível pela predição de links utilizando a abordagem de redes complexas bipartidas, identificar alta correlação entre os acidentes preditos e os acidentes observados para uma determinada época. A abordagem proposta é flexível ao número de variáveis necessárias ao processo de modelagem, o que permite a realização de um diversificado número de estudos. No entanto, quando se considera a modelagem simplificada, formada pelas variáveis recomendadas pelo Highway Safety Manual (HSM), da Association of State Highway na Transportation (AASHTO), verifica-se que a predição é mais precisa e acurada, uma vez que esta modelagem considera fundamentalmente variáveis de infraestrutura viária, enquanto que na modelagem geral são consideradas também variáveis ambientais, que são mais variantes no tempo e no espaço. Até o presente momento, o método proposto é o mais adequado para explicar o comportamento e aspectos dinâmicos em ambientes rodoviários. No entanto, a abordagem proposta foi limitada pela quantidade de dados explorados, bem como por anomalias decorrentes a processos de execução de obras no trecho da rodovia em análise. Ademais, pode ser aplicada em problemas de diferentes escalas e para diversos estudos de caso. Portanto, por meio da modelagem de redes bipartidas georreferenciadas é possível não apenas realizar a predição de acidentes em rodovias, como também verificar a variação da acidentalidade viária e os níveis de segurança e desempenho de uma rodovia. / This thesis presents an investigation of Possibilities in Artificial Intelligence in the detection of patterns and prediction of accidents on highways. For this, it is performed an evaluation of different machine learning techniques based on grouping, classification and prediction of links, based on data from georeferenced accidents and modeled on clustering structures, trees (CART) and networks (artificial neural network, Bayesian network and complex network). The results revealed that the approaches based on complex networks enabled the detection of structures of groupings more robust, when comparing traditional clustering techniques, when they consider in the structure topological data neighborhood concepts. The grouping of data provides the reduction of heterogeneity of the database, as well as obtaining decision rules (CART) with the higher probability of occurrence and general rate of hit. The classification supervised of the severity of accidents in networks, using the modelling of artificial neural networks and Bayesian networks, it allowed to simultaneously identify the factors contributing to the occurrence of accidents, whether these are associated with the driver, the road infrastructure variables or the environmental conditions. However, considering the weight of the variables used in the modeling process, the classification by Bayesian networks tends to be more realistic, being less sensitive too overftting. Regarding the prediction of accidents, it was possible to predict links using the approach of complex bipartite networks, to identify high correlation between predicted accidents and accidents observed for a certain time. The proposed approach is flexible to the number of variables necessary for the modeling process, which allows the realization of a diversified number of studies. However, when you consider the \"simplified modelling\", formed by the variables recommended by the Highway Safety Manual (HSM), of the Association of State Highway na Transportation (AASHTO), it is verified that the prediction is more accurate and precise, since this modelling considers fundamentally variables of road infrastructure, while that the \"general modelling\" are considered the also environmental variables, which are more variants in time and space. Up to the present moment, the proposed method is best suited to explain the behavior and dynamic aspects in the environment road. However, the proposed approach was limited by the amount of data explored, as well as by anomalies resulting from processes of execution of works in the stretch of the highway under analysis. Moreover, it can be applied to problems of different scales and for several case studies. Therefore, through the modeling of geo-referenced bipartite networks, it is possible not only to predict accidents on highways, but also to check he variation of road accidents and the safety and performance levels of a highway.