A qualidade interna do código impacta diretamente a manutenção e evolução de sistemas de software. Code smells são um dos principais indícios de degradação dessa qualidade. Este trabalho investiga o uso de modelos de Aprendizado de Máquina para detecção de code smells realizada pelo PySmell em projetos Python, a partir de métricas estáticas de código. Foram considerados seis smells – Large Class, Long Method, Long Parameter List, Long Message Chain, Long Scope Chaining e Long Base Class List. A partir de um dataset rotulado por especialistas, foi construído um pipeline que integra extração automática de métricas e treinamento de diversos algoritmos supervisionados. Os resultados indicam que, modelos de Aprendizado de Máquina conseguem reproduzir com alta fidelidade os rótulos da maioria dos code smells avaliados. No entanto, code smell dependente da estrutura de chamadas permanece difícil de capturar apenas com o conjunto de métricas consideradas. Observa-se que métricas de complexidade e tamanho são, em geral, suficientes para smells baseados em tamanho e métodos, ao passo que métricas estruturais tornam-se determinantes para smells que dependem de herança e relações entre classes e chamadas. Por fim, o estudo mostra que o uso de ferramentas estáticas para rotulação de um emphdataset de referência leva a uma inflação artificial do desempenho dos modelos, caracterizando forte data leakage e comprometendo a validade das conclusões em cenários que não controlam esse efeito. O trabalho, portanto, oferece recomendações práticas e metodológicas para pesquisas futuras em detecção automatizada de code smells em Python.