La clasificación supervisada es una de las tareas abordadas en el reconocimiento de patrones, con aplicación en diferentes áreas como medicina, astronomía, economía, entre otras. En estas áreas, comúnmente aparecen problemas multiclase, es decir, problemas con más de dos clases; en los cuales cada objeto es descrito por atributos numéricos y no numéricos (datos mezclados). En este trabajo de tesis se propone un nuevo método de clasificación multiclase utilizando dicotomías anidadas, el cual resuelve problemas multiclase por medio de clasificadores binarios (de dos clases). Las dicotomías anidadas forman árboles binarios en los cuales, en cada nodo del árbol, se dividen las clases en dos grupos y se construye un clasificador binario para separar estos grupos. Este proceso se repite recursivamente hasta tener una sola clase en cada hoja del árbol. La mayoría de los métodos para construir dicotomías anidadas lo hacen de forma aleatoria, lo cual no garantiza encontrar una buena dicotomía. Es por eso que, en esta tesis, se proponen nuevos métodos no aleatorios para construir dicotomías anidadas, siguiendo la idea de separar en los niveles superiores las clases más fáciles de separar y en los niveles inferiores las clases más difíciles, con el objetivo de reducir los errores en los niveles superiores; ya que si se comete un error en un nivel, éste no podrá ser corregido en los niveles posteriores y el objeto quedará mal clasificado. Para evaluar el desempeño de los métodos propuestos para construir dicotomías anidadas, se compararon los resultados de precisión en diferentes bases de datos del repositorio UCI, contra los resultados obtenidos con métodos que construyen las dicotomías anidadas de forma aleatoria.