Muchas de las aplicaciones en las que trabaja este grupo de investigación se realizan sobre grandes volúmenes de datos, por lo que deben gestionar un conjunto de dificultades inherentes: redundancia en los datos y necesidad de altas capacidades de cómputo y almacenamiento. Este proyecto propone la combinación o fusión de clasificadores (sistema de multiclasificación) como solución al análisis de grandes volúmenes de información. Esta estrategia permite dividir un gran conjunto de datos en múltiples subconjuntos reducidos tratables a partir de la selección de instancias o subespacios de representación. Estos subconjuntos se usarían para entrenar clasificadores individuales que potencialmente podrían operar en paralelo en una arquitectura apropiada. En el proceso de reconocimiento de una instancia no vista en entrenamiento, el sistema de multiclasificación combina las decisiones individuales de los clasificadores (en paralelo), y ofrece una decisión consensuada. El éxito del proceso depende de cuán diversos o complementarios sean los modelos individuales de clasificación (clasificador+subconjunto de entrenamiento). El objetivo principal de este proyecto es definir estrategias de generación de diversidad en sistemas de multiclasificación aplicados a problemas con grandes volúmenes de datos.