El presente proyecto es desarrollado en el semillero SI2C del grupo D+TEC de la Universidad de Ibagu?, consiste en el desarrollo de un algoritmo de clasificaci?n supervisado para el reconocimiento de elementos de escena en el ?mbito urbano, partiendo de nubes de puntos adquiridas por un sistema de adquisici?n especializado en el LAAS (Laboratory for Analysis and Architecture of Systems) a partir de un sensor LiDAR a bordo de un UGV (Unmanned Ground Vehicle). Los clasificadores utilizados fueron Random Forest (RF), Support Vector Machine (SVM), AdaBoost, Neural Network (NN) y Gaussian Naive Bayes, los cuales, fueron entrenados con descriptores de caracter?sticas 3D, 2D e informaci?n de forma de onda completa, siendo este ?ltimo el aporte generado hacia los trabajos ya desarrollados. Los clasificadores fueron evaluados mediante el indicador F1-score, obteniendo un promedio de puntuaciones hasta de un 86% de precisi?n, logrando as?, un clasificador con altos ?ndices de acierto y demostrando la contribuci?n que brindan los descriptores propuestos con base a la informaci?n obtenida a partir de las caracter?sticas de onda completa, respecto a los descriptores convencionales.This project is developed in the seedbed SI2C of the research group D+TEC of the Universidad de Ibagu?, it consists on the a supervised classification algorithm for scene elements recognition on urban environments, taking points clouds acquired with an acquisition system that implements in LAAS (Laboratory for Analysis and Architecture of Systems) that implements a LiDAR sensor on board a UGV. The classifiers were Random Forest (RF), Support Vector Machine (SVM), AdaBoost, Neural Network (NN) and Gaussian Naive Bayes, those were trained with 3D features, 2D and characteristics of full wave form information, the last one being the contribution generated for projects already developed. The classifiers were evaluated using the F1 Score indicator, obtaining an average of scores up to 86% accuracy getting a classifier with rates of high success and demonstrating the contribution provided by the descriptors proposed based on the information obtained from the full wave characteristics, respect to conventional descriptors