For many learning tasks, a high accuracy is not the only desired characteristic of a supervised classifier; A classifier should also be easily comprehensible by humans. Although higher classification accuracies are usually obtained at the expense of classification comprehensibility, Emerging Pattern classifiers are both accurate and easy to understand. The main contribution of this dissertation is the introduction of two new kinds of emerging patterns, which are more expressive than traditional definitions: Extended Crisp Emerging Patterns and Fuzzy Emerging Patterns. The higher expressiveness of the new patterns allows to obtain more accurate classifiers, without sacrificing understandability. Another contribution of this dissertation is a collection of algorithms for mining the new kinds of patterns from a database containing mixed and incomplete data. The classifiers proposed in this dissertation, using the new patterns, attain higher accuracy than traditional emerging pattern classifiers and other comprehensible classifiers, while they are competitive with state-of-the-art non-comprehensible classifiers. The selection of the classifier to be used in a particular problem depends on the type of patterns (crisp or fuzzy) the user wants to obtain, and a tradeoff among accuracy, complexity, and classification speed.Para muchas tareas de aprendizaje, una alta eficacia no es la única característica deseada; el clasificador debe ser f ácilmente entendible por los humanos. Aunque una elevada eficacia de clasificación se obtiene usualmente en detrimento de la comprensibilidad, los clasificadores basados en Patrones Emergentes son eficaces y fáciles de entender. La contribución principal de esta disertación es la introducción de dos nuevos tipos de patrones emergentes, más expresivos que los tradicionales: Patrones Emergentes Duros Extendidos y Patrones Emergente Difusos. El mayor nivel de expresividad de estos patrones permite obtener clasificadores más eficaces. Otra contribución de este trabajo es una colección de algoritmos para extraer los nuevos tipos de patrones a partir de una base de datos que contiene datos mezclados e incompletos. Los clasificadores basados en los patrones propuestos en esta disertación alcanzan mayor eficacia que los clasificadores tradicionales basados en patrones emergentes y que otros clasificadores comprensibles, siendo además competitivos con otros clasificadores del estado del arte que no son comprensibles. La selección del clasificador a utilizar en un problema en particular depende del tipo de resultado que el usuario desee obtener, así como del compromiso deseado entre eficacia, complejidad y velocidad de clasificación.