En el universo existen fenómenos que para su estudio requieren del reconocimiento y clasificación de imágenes más allá de espectro visible, o bien de imágenes en donde la resolución de las lineas espectrales sea inferior a 1 nm. En ambos casos no son detectadas por el ojohumano. En este trabajo presentamos dos algoritmos de clasificación diseñados para este tipo de imágenes. En el primero abordamos el problema de Reconocimiento de ExpresionesFaciales sobre imágenes infrarrojas. Nosotros proponemos un nuevo algoritmo autónomo de aprendizaje visual, basado en Computación Evolutiva, que integra en un sólo proceso la selección de la región de interés y la extracción de los rasgos más promisorios. Primero, el algoritmo escoge regiones faciales relevantes en donde la extracción de rasgos es realizada. Segundo, el algoritmo calcula la Matriz de Co-Ocurrencia en tonos de gris usados para describira dicha región, y selecciona el subconjunto más significativo de ellos en la etapa de clasificación. Finalmente, la clasificación se realiza utilizando un comité de votación simple, basado en la técnica Máquina de Vector de Soporte (SVM). Resultados experimentales sobre tres expresiones faciales, muestran que la eficiencia de nuestro algoritmo es superior en un16 % a la clasificación realizada por el observador humano. En el segundo trabajo, abordamos el problema de clasificación Morfo-Cinemática de objetos celestes llamados NebulosasPlanetarias (NP), a partir de su proyección o forma aparente sobre el plano del cielo y una descripción suficiente de su campo bidimensional de velocidades. El algoritmo consiste en extraer los vectores que representen las variaciones principales de los rasgos de los objetos enun espacio ortogonal sin correlación (eigencaracterísticas). Seguido, se intenta encontrar elmapa correcto que relacione las eigencaracterísticas de estos objetos con su correspondienteclase, por medio de SVM. Finalmente, se genera un comité de votación que toma las contribuciones de la clase con la máxima y la segunda máxima probabilidad de pertenencia de la región. Para un universo de 539 NPs sintéticas, 11 clases y un conjunto de 107 imágenes de prueba, el algoritmo responde correctamente al 98 % de las imágenes. Asimismo, se ha probado sobre imágenes reales y los resultados son prometedores. In nature, the study of some problems require a special process of recognition and classificationof images beyond of visible spectrum, or images where the spectral line resolutionmust be better than 1 nm. In both cases, they are not detected by the human eyes. In this workwe presented two fine tuned special classification algorithms for this type of imagery. In thefirst work, we study the Face Expression Recognition problem in infrared imagery. We proposea new autonomous visual learning algorithm, based on Evolutionary Computations, thatjoin in a simple step the selection of the regions of interest and the features extraction process.First, our algorithm chooses relevant facial regions where the feature extraction is performed.Then, the algorithm computes the Gray-Level Co-Occurrence matrix used to describe this regionand selects the most significant subset descriptors in the classification stage. Finally, theclassification is done using a simple support vector machine (SVM) committee. Experimentalresults of three different facial expression, show that the efficiency of our algorithm is higherby 16 % compared to the one made by the human observers. In the second work, we considerthe problem of Morpho-Kinematic Classification of celestial objects named Planetary Nebulae(NP), starting from its projection or apparent form in the sky plane and a description ofits position-velocity fields. The algorithm consists in extracting the vectors that represent themain variation of the object’s features in an uncorrelated orthogonal space (eigenfeatures).Next, we try to find the correct map that relates these eigenfeatures with their correspondingclass, by using SVM. Finally, a voting committee is created, that takes the contributions ofthe class with the maximum and the second maximum probability of class deduced from eachregions. For an universe of 539 synthetic PNs, 11 classes and a set of 107 test images, thealgorithm respond correctly to 98 % of them. It has also been tested on real images and theresults are promising