Los métodos tradicionales de selección y extracción de características no consideran las posibles relaciones no lineales que puedan tener los datos en el espacio inicial, para solucionar este problema se han desarrollado los métodos kernel (como kernel PCA [1]) los cuales transforman los datos de su espacio inicial (normalmente un espacio euclídeo n-dimensional) a un espacio de mayor dimensión (posiblemente infinita) en el cual esas relaciones no lineales son expresables como relaciones lineales, esta propiedad de los métodos kernel ha permitido que en dichos espacios la clasificación sea muy sencilla y eficiente [1]. Mas recientemente se han explorado las posibilidades de técnicas basadas en kernel para hacer selección de características, trabajando en ocasiones sobre los datos originales [3] y en otras sobre las transformaciones de estos [4]. De otra parte se han desarrollado técnicas que llamaremos ponderadas que mejoran el desempeño de técnicas clásicas como PCA y LDA [3]. Se plantea combinar el poder de los métodos kernel con estrategias de ponderación de variables con el fin de generar procedimientos de selección/extracción competentes.