El alcoholismo es un problema actual de salud en nuestro país y en el mundo, provocando consecuencias fatales en aquellos que la padecen. Las herramientas vigentes de diagnóstico no son confiables para detectar efectivamente alcoholismo en todas las situaciones; por ello, se propone una metodología novedosa para la detección objetiva de personas con riesgo a sufrir alcoholismo a través del procesamiento de señales de EEG. Ésta consiste en utilizar la transformada wavelet discreta para obtener diferentes sub-bandas de frecuencia hasta el nivel seis de descomposición, permitiendo la medición del cambio geométrico de las bioseñales por medio de cinco algoritmos diferentes de dimensión fractal: Higuchi, Petrosian, Dimensión de Caja, Sevcik y Katz; generando así posibles características para el entrenamiento de modelos de aprendizaje automático de máquinas. Los datos de mayor significancia para el fenómeno estudiado fueron seleccionados por medio del método estadístico no paramétrico ANOVA de Kruskal-Wallis; con estas características se entrenaron y validaron dos modelos de machine learning: la máquina de vectores de soporte y el perceptrón multicapa. De acuerdo con la validación para detectar de alcoholismo en señales de la misma naturaleza, se logró conseguir una exactitud, precisión, sensibilidad y especificidad de 96.52%, 98.55%, 94.44% y 98.61 respectivamente con la máquina de vectores de soporte.