La Leishmaniasis es una enfermedad tropical causada por el parásito protozoo del género Leishmania, que es transmitido a través de insectos flebótomos. Estos vectores de transmisión se encuentran en Asia, África y gran parte de América latina. Esta enfermedad puede causar desde lesiones cutáneas como úlceras, destrucción parcial o completa de las membranas mucosas (nariz, boca y garganta) hasta afectar órganos internos como el bazo, el hígado y la medula ósea llevando en casos graves a desenlaces fatales. El método de laboratorio más utilizado para determinar la presencia del parásito en la muestra es mediante visualización directa en frotis de tejido teñidos con algún colorante (examen de frotis directo). Este método se realiza de forma manual por un profesional capacitado y requiere de un lapso amplio de tiempo; por ende, es propenso a presentar errores humanos por fatiga visual, debido a lo dispendioso de dicho proceso. Este estudio propone desarrollar un novedoso sistema aplicando algoritmos de aprendizaje de máquina para la detección del parásito Leishmania spp en imágenes de microscopía, obtenidas de láminas de examen de frotis directos de casos reales con Leishmaniasis cutánea que serán suministradas por el laboratorio clínico de la E.S.E. Hospital Universitario Centro Dermatológico Federico Lleras Acosta. Se inició con la creación de una base de datos compuesta por 500 imágenes microscópicas de examen de frotis directos de pacientes con Leishmaniasis cutánea. Seguido de la implementación de un diseño experimental enfocado en el preprocesamiento de imágenes, donde se identificó una combinación eficaz de técnicas para la reducción de ruido y la segmentación de la imagen, destacando la importancia de una selección adecuada de métodos para optimizar la calidad de la imagen. La segmentación se realizó utilizando métodos clásicos como Otsu y umbral local, además de un enfoque más reciente basado en la iteración de mínimos globales (IGMS). La extracción de características se orientó a la representación fenotípica detallada de los parásitos, y la clasificación se efectuó mediante modelos de aprendizaje de máquina como ANN, SVM y RF. Estos modelos se optimizaron mediante la técnica de búsqueda en cuadricula (Grid Search), resultando en un sistema capaz de distinguir con alta precisión entre parásitos y no parásitos. Este desempeño, se destacó tanto en sensibilidad como en especificidad, presento resultados del 91,87% y del 89,21% respectivamente. Estos resultados fueron comparados con estudios previos, destacando la relevancia y consistencia de la metodología empleada. Finalmente, este trabajo permite validar la hipótesis de que la aplicación de técnicas de aprendizaje de máquina y aprendizaje profundo a futuro puede llegar brindar una herramienta de apoyo en el diagnóstico de la Leishmaniasis cutánea.