En el mundo de hoy, muchas aplicaciones requieren interactuar automáticamente con sus usuarios, y la necesidad de que estas aplicaciones puedan conseguir de forma automática información acerca del usuario hacen que la clasificación de características faciales sea muy importante. Así, estos módulos de clasificación se pueden ocupar en múltiples y diversas aplicaciones. El objetivo general del presente trabajo es la clasificación de características faciales usando algoritmos de aprendizaje estadístico, esto significa poder detectar y clasificar el mayor número posible número de características que se pueden encontrar en una cara usando solo ejemplos de imágenes de estas mismas, sin utilizar a priori ninguna información de las características dadas. En el presente trabajo se desarrollaron detectores y clasificadores de las características que se consideran más significativas, y en general, las primera en que una persona se fija al ver un rostro, así es como se decidió construir clasificadores de barba, bigotes y lentes que distinguieran si una persona en una foto posee o no barba, bigotes y/o lentes. Además de estas características más visuales, se desarrolló un clasificador de edades en cuatro tramos, niños, jóvenes, adultos y ancianos, que lograra dar como respuesta, usando su confidencia, el grado de certeza de la clasificación. Como objetivo secundario pero no menos importante, se desarrollo un detector de bocas, que entrega la posición central de la boca en las caras detectadas. Excelentes resultados se reportaron en la detección de boca, con tasas de detección superiores al 99% y errores comparables al error proveniente del marcado manual de las bocas. El clasificador de lentes obtuvo también excelentes resultados, con tasas de detección del 95% para bases de datos con ambientes controlados y del orden del 90% para bases con ambientes no controlados. Clasificadores de barbas y bigotes luego de usar el detector de boca obtuvieron muy buenos resultados, con tasa de detección por sobre el 95% en bases de datos con ambientes no controlados. Por su parte, la nueva arquitectura diseñada para el clasificador de edad, que ocupa la información de las confidencias para da una respuesta más general, funciono de buena forma, aunque podrían hacerse mejoras en este último punto. Se concluyó finalmente que los clasificadores Adaboost elegidos en este trabajo para hacer las clasificaciones reportan excelentes resultados, y no se duda que puedan también hacerlo en otros tipos de aplicaciones de similares características. Comparando con otros trabajos, se ha visto que el trade-off entre las tasas de detección y el tiempo de clasificación son excelentes. Ambas características ocupadas Rectangulares y LPBm reportan resultados positivos en distintos tipos de clasificadores, así, ninguno de las dos se descarta al momento de hacer un nuevo clasificador.