Neste trabalho é proposto um novo método para classificação de faltas de alta impedância (FAI) em redes de distribuição usando estatística de ordem superior (EOS) em conjunto com uma rede neural (RNA) do tipo MLP (Multilayer Perceptron). Foi desenvolvido um novo modelo para representar o fenômeno de alta impedância considerando cinco diferentes superfícies de contato com o solo. Para análise ampla foram simulados no software ATP (Alternative Transient Program) seis tipos de eventos típicos em redes de distribuição, contemplando diversas situações como: condição operativa normal, faltas monofásicas, bifásicas e trifásicas, energização de transformador e banco capacitor e chaveamento de cargas indutivas, além das faltas envolvendo as cinco superfícies de alta impedância modeladas. Para extrair as melhores características, utilizou-se EOS em conjunto com discriminante linear de Fisher (LDF). Ao final usou-se a RNA do tipo MLP no reconhecimento dos padrões específicos de cada evento, distinguindo-os principalmente dos fenômenos de alta impedância, foco deste estudo. O quadro geral de resultados comprovou a confiabilidade satisfatória da técnica proposta, alcançando percentuais de classificação acima de 98%.