Los avances tecnológicos han hecho de clasificación de datos funcionales una disciplina emergente con una gran variedad de publicaciones, y aunque en la literatura ya existen diferentes propuestas de clasificación, sigue siendo una línea de investigación relevante en la última década. En este trabajo se presenta un nuevo enfoque de clasificación supervisada de datos funcionales, particularmente en el mejoramiento del desempeño de clasificadores funcionales por medio de dos propuestas: Boosting con clasificadores funcionales y Boosting con estructura funcional. En la primera propuesta, adaptamos la forma de ponderar algunos clasificadores funcionales para incorporarlos en la estructura de los algoritmos Boosting. En la segunda propuesta, modificamos estructuralmente algunos algoritmos Boosting extendiendo su aplicabilidad a datos funcionales. Para evaluar el desempeño de los métodos propuestos se realizaron diversos estudios de simulación y se presentan aplicaciones a conjuntos de datos reales. Por otra parte, se inició un trabajo sobre el análisis de imágenes digitales de mamografías. En este trabajo, proponemos un nuevo método automático y sencillo de implementar computacionalmente, para la etapa de pre-procesamiento. Además, presentamos algunas ideas a desarrollar para las demás etapas, con el fin de obtener un método en la clasificación automática de anomalías presentes en una mamografía, utilizando técnicas de análisis de datos funcionales