Al giorno d'oggi tutti i sistemi producono grandi quantità di dati che possono essere utilizzati per funzioni predittive sul proprio stato. La tesi affronta il problema della Predictive Maintenance in ambito Automotive su motori diesel. Lo scopo della tesi è quello di sfruttare la grande quantità di dati prodotta dai motori degli autoveicoli per prevederne l'invecchiamento e per rilevare alcuni malfunzionamenti. Per questo, partendo da dati sperimentali, la tesi è stata sviluppata su un doppio binario: nella prima parte è stato trattato il problema dell'invecchiamento della catena di scarico, con l'obiettivo di estrarre dai dati un collegamento diretto tra i segnali misurati e l'ageing del veicolo, mentre nella seconda parte l'attenzione si è spostata sui problemi relativi alla pressione del carburante nel ciclo di combustione, puntando a migliorare le prestazioni di riconoscimento dei malfunzionamenti dei singoli classificatori unendoli tramite tecniche di Ensemble Learning..