Construir sistemas robustos y rápidos de detección de objetos es un objetivo importante en visión computacional. Un enfoque que ha resultado efectivo es el uso de de clasificadores de tipo cascada, enfoque introducido por Viola y Jones, y que permite obtener clasificadores rápidos. Tomando este trabajo como punto de partida, se proponen métodos para construir detectores de una clase y de múltiples clases de objetos. Las contribuciones de esta tesis se dan en tres líneas. Primero se propone un conjunto de métodos eficientes para construir clasificadores de tipo `boosted nested cascades` para el caso de detección de objetos de una clase, dando especial énfasis a los algoritmos y procedimientos de aprendizaje. En segundo lugar, estos algoritmos se extienden al caso multiclase. Finalmente se propone un árbol computesto de `boosted nested cascades`, que llamamos TCAS (Tree of CAScades), clasificador que permite manejar de manera mas robusta y eficiente el problema de detección multiclase.La mayoría de los sistemas existentes para construir detectores tienen una alta complejidad computacional y requieren predefinir la estructura del detector. Los métodos propuestos en esta tesis para el caso de una clase son diseñados para construir detectores rápidos y robustos de manera eficiente y sin necesidad de predefinir la estructura del clasificador. Estos métodos permiten construir detectores de objetos que presentan altas tasas de detección, robustez y altas velocidades de procesamiento y de entrenamiento. Usando estos métodos se construyeron detectores de caras, ojos y clasificadores de género, así como, detectores de autos, manos y robots, los cuales son validados en bases de datos estandar y en los que se obtienen resultados comparables con el estado del arte.Cuando se construyen sistemas que requieren detectar varios tipos de objetos, el tiempo de procesamiento se convierte en un problema importante, ya que este crece linealmente si se usan varios clasificadores en paralelo. Buscando una solución a este problema, extendemos el concepto de `nested boosted cascade` al caso multiclase. Para esto proponemos: métodos para construir clasificadores de tipo `cascade nested cascades of boosted` multiclase, el uso de componentes acopladas en clasificadores débiles multiclases y el uso de cascadas multiclase de tipo grueso - a - fino.Para manejar mejor el problema de detección multiclase, se propone un nuevo clasificador que tiene una estructura que consiste en un árbol de clasificadores grueso - a - fino de tipo `nested boosted cascades`, que llamamos clasificador TCAS. El clasificador TCAS es evaluado mediante la construcción de un detector multiclase de puños (manos) y de caras, y mediante la construcción de un detector de caras invariante rotaciones en el plano de la imagen, para el cual se obtienen resultados comparables con el estado del arte en la base de datos `CMU rotated`. Estos resultados muestran además que el sistema propuesto es más rápido que el uso de cascadas en paralelo y que el sistema escala bien con el número de clases durante su entrenamiento y evaluación. Estos resultados demuestran la eficiencia y robustez de los métodos propuestos para la construcción de detectores de objetos multiclase.