O teste de regressão é fundamental para testar alterações efetuadas durante a fase de manutenção do software e verificar se estas não introduziram defeitos em partes que antes funcionavam corretamente. Devido ao custo e ao tempo despendido para esta atividade, metodologias têm sido propostas para reduzir os esforços e aumentar a eficácia de sua execução. As técnicas de Aprendizado de Máquina podem ser utilizadas para associar as informações coletadas na atividade de teste para identificar casos de teste que possuam comportamentos semelhantes e gerar regras de classificação que podem ser aplicadas para seleção e priorização de casos de teste. A seleção e a priorização de casos de teste podem reduzir significativamente o tempo do teste de regressão e aumentar a probabilidade de detectar erros mais rapidamente. Diante disso, este trabalho tem como objetivo implementar um método de seleção e de priorização, com o propósito de reduzir o tempo gasto na atividade de teste de regressão de métodos implementados na linguagem Java, garantindo a cobertura dos critérios de teste. As ferramentas Jabuti (teste estrutural) e Mujava (teste baseado em erros) foram integradas para que os dados de execução sejam agrupados e submetidos a algoritmos de agrupamento, acionados a partir da API da ferramenta Weka integrada ao projeto com o propósito de encontrar comportamentos semelhantes entre os casos de teste e posteriormente aplicar um algoritmo de classificação, a fim de gerar regras a serem utilizadas na seleção e priorização do conjunto de casos de teste. Os resultados obtidos com os experimentos realizados na fase de validação demonstram que mesmo selecionando apenas 60% dos casos de teste do conjunto original, a redução na cobertura dos critérios de teste permaneceu elevada. No entanto, para obtenção de resultados mais precisos, sugere-se a integração ao processo automatizado da metodologia, a reexecução dos novos conjuntos de casos de teste obtidos no processo de validação