Fault location is not a trivial task in distribution systems, since the radial characteristic of the feeders makes fault locators present multiple estimations (especially those based on impedance). In this sense, there is difficult to accurately locate the fault. Therefore, this work presents a decision tree-based approach to reduce the multiple fault estimation issue. For this purpose, the feeder was divided into sectors, which do not overlap. Next, five types of faults were considered in the simulations, which were performed by using the PSCAD™/EMTDC™software. It is worth mentioning that only one meter was used, allocated in the substation. Thus, the voltage and current signals from this meter were subjected to a feature extraction process that, in turn, were used as inputs to decision trees that could be trained and validated to locate the faulted sector. Based on the results, the proposed approach was able to identify above 96.3% for sectors under single-phase faults, 84.3% for two-phase faults and 73.0% for three-phase faults. Resumo: A localização de faltas não é uma tarefa trivial em sistemas de distribuição, visto que a característica radial dos alimentadores faz com que os localizadores de faltas apresentem múltiplas estimações (principalmente aqueles baseados em impedância). Neste sentido, há uma dificuldade para realizar a localização precisa de faltas. Portanto, este trabalho apresenta uma abordagem baseada em árvore de decisão para reduzir o problema da múltipla estimação de faltas. Para tanto, o alimentador foi dividido em setores, que não se sobrepõem. Em seguida, cinco tipos de falhas foram considerados nas simulações, realizadas utilizando o software PSCAD™/EMTDC™. Vale mencionar que empregou-se apenas um medidor, alocado na subestação. Assim, os sinais de tensão e corrente provenientes desse medidor foram submetidos a um processo de extração de características que, por sua vez, foram utilizadas como entradas às árvores de decisão que puderam ser treinadas e validadas para localizar o setor sob falta. Com base nos resultados alcançados, o método apresentado possibilitou a identificação acima de 96,3% para os setores sob faltas monofásicas, 84,3% para bifásicas e 73,0 % para trifásicas.