Object recognition is usually based on learning from a large dataset of previously selected training images; however, not all objects have one associated dataset. Nowadays it is possible to find images on Internet of virtually any object, only by launching a query with the object's name in a search engine. Nevertheless, this strategy introduces computational challenges: (i) the object's name can have more than one meaning; (ii) the object can have different appearances, and (iii) without prior knowledge of the object it is hard to identify which visual features to use in order to train a classifier. In this thesis a method to tackle the above problem is proposed. The method incorporates an ensemble of classifiers that builds several object models treating intraclass variability. Responses of every classifier are combined to determine the presence or absence of the object. The method begins with a small training set obtained via Web, and a series of image transformations is applied in order to identify invariant features. The weight of the local and global features is optimized, in order to recognize different category types. We also develop an algorithm based on sliding windows to identify the object's position within an image. We evaluated our method on images from the Web, the Caltech-7 dataset and real environments. We compared our method against related work, obtaining competitive classification performance in the recognition of general and specific objects.El reconocimiento de objetos tradicionalmente está basado en realizar aprendizaje sobre un gran conjunto de entrenamiento de imágenes previamente seleccionadas, sin embargo, no todos los objetos cuentan con un conjunto de datos asociado. Hoy en día es posible encontrar en Web imágenes de prácticamente cualquier objeto, únicamente basta con lanzar una consulta con el nombre del objeto en un motor de búsqueda para obtener un conjunto de entrenamiento. Esta estrategia, sin embargo, introduce retos computacionales a resolver: (i) el nombre del objeto puede tener más de un significado, (ii) el objeto puede tener diferentes presentaciones y (iii) sin tener conocimiento previo del objeto es difícil identificar qué características visuales usar en un clasificador. Esta tesis propone un nuevo método que ataca la anterior problemática. El método incorpora un esquema de ensamble de clasificadores que construyen varios modelos del objeto permitiendo tratar la variabilidad intraclase, las respuestas de los clasificadores son combinadas para determinar la presencia o ausencia del objeto. Parte de un pequeño conjunto de entrenamiento obtenido en Web, al cual se le aplica una serie de transformaciones, para identificar características invariantes. La contribución de características locales y globales que describen al objeto es optimizada, con el _n de reconocer diferentes tipos de categorías. También desarrollamos un algoritmo basado en ventanas que identifica la posición del objeto dentro de una imagen. Evaluamos nuestro método sobre imágenes de Web, la base de datos Caltech-7 y en entornos reales. Nos comparamos contra trabajos reportados en el estado del arte, obteniendo resultados que muestran porcentajes de clasificación competitivos en el reconocimiento de objetos específicos y generales.