Por múltiples razones, actualmente los Sistemas Múltiples de Clasificación (SMC) se han consolidado como una línea bien establecida de estudio en reconocimiento de patrones. Entre otros aspectos, el éxito de estos sistemas radica en la combinación de varias decisiones individuales para clasificar un mismo patrón de prueba, en lugar de utilizar un clasificador único. No obstante, en su construcción, el SMC requiere satisfacer dos condiciones necesarias y fundamentales, la diversidad de las decisiones y el ratio de error de los componentes individuales. De igual modo, algunos factores que deterioran el rendimiento del SMC están directamente relacionados con el conjunto de datos: patrones redundantes, atípicos o ruidosos, bases de datos con tamaño excesivo y desbalance entre las distribuciones de las clases. En el estudio aquí presentado, se desarrollan diversas metodologías orientadas a extender el uso de los SMC al ser utilizados como parte de la solución a estos problemas. Para la clasificación de nuevos patrones, se acude a dos reglas de decisión ampliamente estudiadas: la regla del vecino más cercano y redes neuronales artificiales.