Orientador: Prof. Dr. Alexandre Noma / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência da Computação, 2016. / A classificação supervisionada consiste em utilizar uma base de dados rotulada para avaliar o desempenho de um determinado classifcador. Mensurando tal desempenho, podemos inferir se, para o problema abordado, tal classifcador poderá ser empregado ou não. Métodos classicos de classificação utilizam um unico classifcador para a analise de um problema. Uma forma de melhorar o desempenho da classificação é empregar técnicas que misturam classifcadores, sejam com base em seus resultados ou nas caracteristicas intrinsecas que cada classicador possui. Neste trabalho, foram empregados os métodos Votação e Adaboost para combinar classifcadores e utilizando base de dados rotuladas provenientes de imagens satelitais extraídas da regi~ao da Amazonia Legal para classificar a cobertura do solo. Resultados obtidos mostraram que o algoritmo SVM por si so consegue resultados de classificação em torno dos 90% em casos gerais. Para casos especifios, a empregabilidade do Adaboost resultou em um acrescimo de, aproximadamente, 10% na taxa de acurácia para um tipo de classe em comparação o com o melhor resultado dos métodos tradicionais. / Supervised classification is based on using a labeled database to evaluate a given classifer's performance. Measuring such performance, it is possible to infer if, for the problem addressed, such a classifer can be employed or not. Classical classification methods use a single classier to analyze a problem. One way to improve classifcation's performance is to employ techniques that mix classifers, based on their results or by each classifer's intrinsic characteristics. In this paper, the methods Voting and Adaboost were used to combine classifers and using labeled data bases from satellite's images extracted from the Legal Amazon region to classify the soil cover. Results obtained showed that the SVM algorithm alone achieves classifcation results around 90 % in general cases. For specific cases, the employability of Adaboost resulted in an increase of approximately 10 % in the accuracy rate for a class type compared to the best result of the traditional methods.