Several problems involve the classification of data into categories, also called classes. Given a dataset containing data whose classes are known, Machine Learning algorithms can be employed for the induction of a classifier able to predictthe class of new data from the same domain, performing the desired discrimination. Some learning techniques are originally conceived for the solution of problems with only two classes, also named binary problems. However, several problems requirethe discrimination of examples into more than two categories or classes. This paper surveys strategies for the generalization of binary classifiers to problems with more than two classes, known as multiclass problems. The focus is on strategies that decompose the original multiclass problem into multiple binary subtasks, whose outputs are combined to obtain the final classification.Diversos problemas envolvem a classificação de dados em categorias, também denominadas classes. A partir de um conjunto de dados cujas classes são conhecidas, algoritmos de Aprendizado de Máquina podem ser utilizados na induçãode um classificador capaz de predizer a classe de novos dados do mesmo domínio, realizando assim a discriminação desejada. Algumas técnicas de aprendizado são originalmenteconcebidas para a solução de problemas com apenas duas classes, também denominados binários. Entretanto, diversos problemas requerem a discriminação dos dados em mais que duas categorias ou classes. Neste artigo é apresentada uma revisão de estratégias para a generalização de técnicas de aprendizado binárias para a solução de problemas com mais que duas classes, intitulados multiclasses. O foco é em estratégias que decompõem o problema multiclasses original em múltiplos subproblemas binários, cujas saídas são combinadas na obtenção da classificação final.