El método de vecinos más cercanos es una de las técnicas más populares y altamente efectivas usadas en tareas de reconocimiento de patrones. Sin embargo, este método tiene distintas desventajas que deterioran su rendimiento en problemas a gran escala, y bases de datos con instancias mal clasificadas a priori. Algunas de esas desventajas incluyen: alto espacio en almacenamiento, ser sensibles a instancias mal etiquetadas en el conocimiento a priori, y alto costo computacional para estimar la distancia entre todas las instancias almacenadas. Para atacar esos problemas diferentes técnicas han sido propuestas. La generación de prototipos (PG) es una técnica para reducir el número de instancias. Por otra parte, la generación de características (FE) es una técnica que construye un nuevo espacio de características para representar de mejor manera el conjunto de instancias. Tradicionalmente, ambas técnicas han sido aplicadas de manera independiente. En este trabajo de tesis se presentan dos métodos evolutivos para la generación simultánea de prototipos y características, el primero guía la búsqueda de soluciones mediante un objetivo, es decir la exactitud de la clasificación, el segundo considera en el proceso de búsqueda de soluciones tres distintos objetivos, exactitud de la clasificación, la reducción de instancias y la reducción de características. El objetivo de ambos métodos es encontrar un buen compromiso entre la exactitud de la clasificación, reducción de instancias y reducción de características utilizando el clasificador de vecinos más cercanos. El método multi-objetivo está basado en el algoritmo NSGA-II, y en el método mono-objetivo. La idea principal de los métodos propuestos es combinar las distintas instancias para generar prototipos, de la misma manera, combinar las distintas características para construir otras más descriptivas, esto se realiza mediante programación genética. La diferencia principal entre el método multi-objetivo y los métodos en el estado del arte, es que el enfoque multi-objetivo construye un conjunto de características para cada clase. Ambos métodos superan las limitaciones del método de vecinos más cercanos sin comprometer su rendimiento en la tarea de clasificación. Los resultados experimentales son reportados y comparados con distintos métodos en el estado del arte.