Ataques recentes a redes industriais têm trazido à tona questões sobre como protegê-las. Essas redes são essenciais para o controle de muitos aspectos de nossa vida cotidiana, como o abastecimento de água, o fornecimento de energia elétrica e gás, etc. Neste trabalho, realizamos um estudo sobre a utilização de algoritmos de classificação supervisionada na detecção de intrusões em redes industriais. Para tanto, foi proposto um modelo de detecção de intrusões que prevê a utilização de fluxos IP gerados a partir de pacotes coletados de uma rede industrial. Estudamos o desempenho de nove algoritmos de classificação supervisionada, pertencentes às famílias dos classificadores de árvore de decisão, dos classificadores discriminativos e dos classificadores estatísticos. Considerando que no tráfego de redes haverá uma quantidade significativamente menor de tráfego malicioso em comparação com tráfego legítimo, teremos o desbalanceamento entre essas duas classes como uma das características chave deste tráfego. A avaliação dos classificadores se deu utilizando métricas apropriadas para lidar com esse desbalanceamento como o f1 score, acurácia média, curva ROC (Receiver Operating Characteristic), curva PR (Precision- Recall) e áreas sob as curvas ROC e PR. Os resultados apontaram que os algoritmos pertencentes à família das árvores de decisão apresentaram um desempenho superior aos demais, sendo o melhor resultado obtido pelo algoritmo Boosted Decision Tree. Recent attacks on industrial networks have raised questions about how to protect them. These networks are essential for the control of many aspects of our daily lives, such as water supply, electricity and gas, etc. In this work, we studied the utilization of supervised classification algorithms for the intrusion detection in industrial networks. Therefore, we propose a model for intrusion detection that makes use of IP flows generated from packets collected from an industrial network. We study the performance of nine supervised classification algorithms, belonging to the families of the decision tree classifiers, the discriminative classifiers and the statistical classifiers. As network traffic usually has much less malicious traffic than normal traffic, the imbalance between these two classes is one of the key features of this study. The evaluation of the classifiers was based on appropriate metrics to deal with this unbalance such as f1 score, medium accuracy, ROC curve (Receiver Operating Characteristic), PR curve (Precision Recall) and areas under the ROC and PR curves. The results showed that the algorithms belonging to the family of decision trees presented a superior performance to the others, being the best result obtained by the algorithm Boosted Decision Tree.