O presente estudo tem como propósito apresentar os resultados obtidos por meio de dois modelos de localização de faltas, empregando diferentes abordagens, em uma linha de transmissão VSC-HVDC de dois terminais com extensão de 200 km. O primeiro modelo consiste em um Perceptron Multicamadas (MLP), enquanto o segundo modelo é baseado em uma Rede Neural Convolucional (RNC). Com o intuito de avaliar o desempenho comparativo, ambos os modelos utilizaram como entrada o sinal de corrente previamente processado por três métodos distintos: Transformada Wavelet Packet (TWP), Coeficientes de Mel-Cepstrais (MFCC) e uma combinação dos dois métodos. Nesse contexto, essas três diferentes abordagens foram testadas tanto no MLP quanto na RNC, sendo constatado por meio dos erros médios absolutos (MAE) e erros médios quadráticos (MSE) que a técnica de extração de características MFCC demonstrou um desempenho superior em comparação com o método TWP. Além disso, observou-se que o desempenho da rede neural utilizando a técnica de extração de características TWP pode ser aprimorado ao ser combinada com outra abordagem de extração de características. Os baixos valores de MAE e MSE evidenciam a alta confiabilidade da combinação proposta entre técnica de extração de características e rede neural em como rede convolucional em sistemas de localização de falhas.