As técnicas de aprendizagem automática e de aprendizagem profunda (DL) têm mostrado resultados promissores na deteção de actividades fraudulentas. Nesta tese, propomos abordagens para a deteção de fraudes com cartões de crédito que combinam técnicas de aprendizagem supervisionadas e não supervisionadas. Aplicamos técnicas de engenharia de características para extrair características relevantes do conjunto de dados de transacções com cartões de crédito, seguidas de modelos de deteção de anomalias que combinam ML supervisionado, ML semi-supervisionado e técnicas DL. Analisamos o conjunto de dados utilizando vários parâmetros e métodos. O nosso estudo sobre vários métodos de ML e DL na deteção de transacções fraudulentas inclui Redes Neuronais Artificiais (ANN), Redes Neuronais Convolucionais (CNN), Regressão Linear com Autoencoder, K-Nearest Neighbors (KNN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Árvore de Decisão, K-Means Clustering, LightBGM, Regressão Logística, regressão logística com dados subamostrados, Naive Bayes alcança, SVC alcança, Isolation Forest e Local Outlier Fator. Avaliamos a nossa abordagem num conjunto de dados de transacções com cartões de crédito do mundo real denominado Creditcard.csv do conjunto de dados Kaggle.