El criterio convencional de clasificación en sistemas que involucran modelos ocultos de Markov emplea la regla de máxima verosimilitud para escoger la clase correcta. Existe evidencia que muestra que la clasificación basada en disimilaridades entre modelos ocultos de Markov aumenta el desempeño del sistema. En este nuevo espacio de disimilaridades, las reglas de decisión pueden construirse usando todo el conjunto de entrenamiento o un conjunto reducido de prototipos adecuadamente seleccionados, que permiten minimizar el número de disimilaridades que deben medirse. En este artículo se comparan diferentes procedimientos para la selección de prototipos en el espacio de disimilaridades entre modelos ocultos de Markov.Traditional classification criteria in systems involving hidden Markov models employs maximum likelihood rule for the election of the correct class. There is evidence showing that a dissimilarity-based classification scheme between hidden Markov models improves the system¿s performance. In this new space, decision rules can be built using the whole training set or a reduced number of prototypes carefully chosen, so that just a few dissimilarities must be measured. In this paper, we compare different procedures for prototype selection in a dissimilarity space designed using hidden Markov models.