En este trabajo, se presenta un novedoso enfoque basado en el aprendizaje de máquina para obtener puntos de interés invariantes a la escalamiento. El problema de extracción de puntos, al ser visto como un problema de optimización, se utiliza la programación genética para obtener expresiones matemáticas que permitan extraer características en las regiones que envuelven los puntos de interés. El criterio de optimización utilizado en la programación genética es la repetibilidad, por lo que permite tener robustez en transformaciones de rotación, escala y combinados, sin embargo también obtiene buenos resultados en transformaciones afines. El modelo basado en el espacio de escala y el uso de la programación genética para obtener operadores matemáticos, proporcionan una distribución homogénea de puntos en toda la imagen, sin perder la calidad en el criterio de repetibilidad. Esto ayuda a que se cuenta con invarianza en secuencias de imágenes con cambios de iluminación. Los detectores obtenidos de la programación genética son comparados con otros detectores del estado del arte, estos últimos están basados en modelos matemáticos, por uso de árboles de búsqueda ó en redes neuronales convolucionales.In this work, we present a novel to approach based on machine learning to getting scale invariant keypoints. The feature detection problem is tackle as an optimization problem, therefore we use genetic programming technique to extracting regions which wrap keypoints. Repeteatibility criteria is considered as optimization problem thus it allows strong algorithm on rotation and scale transformations, on the other hand it also gives decent repeatability confidence on affine transformations. Scale space model combined with genetic programming enhance homogeneous spread points on the whole image without loosing repeatability performance and same way for illumination invariant response. Individuals with the best fitness will be compared with other detectors from state of the art, over mathematical models, search tree model and convolutional neural networks.