Anomalias em poços produtores de petróleo podem provocar impactos financeiros significativos. O uso de aprendizado de máquina para detectar essas situações podem prevenir interrupções indesejadas de produção bem como custos de manutenção. Nesse contexto, este trabalho propõe a aplicação e comparação de classificadores para detecção de anomalias em poços de produção de petróleo e gás. Classificadores de classe única Floresta de Isolamento, \textit{One-class Support Vector Machine} (OCSVM), \textit{Local Outlier Factor} (LOF) e Envelope Elíptico foram aplicados em uma base de dados com casos reais, sendo o melhor desempenho obtido pelo LOF com medida F1 de 88,2\%, seguido da Floresta de Isolamento com 74,3\%. Os resultados obtidos apresentam melhoria em comparação ao \textit{benchmark} de referência e estimulam a continuação do trabalho com a experimentação de outras famílias de classificadores.