Los sistemas de visión por computador estudian cómo las máquinas pueden extraer y utilizar adecuadamente la información de un proceso a partir de imágenes y/o videos. Sus metodologías buscan desarrollar sistemas capaces de realizar una tarea específica en aplicaciones médicas, industriales, militares, de entretenimiento, entre otras. No obstante, es difícil interpretar la información disponible a partir de un conjunto de imágenes o videos, debido a su complejidad y la gran cantidad de características obtenidas. En este proyecto se emplearán y mejorarán algunas técnicas no lineales de reducción de dimensión basadas en el análisis por variedades, para apoyar tareas de análisis y síntesis de datos en sistemas de visión por computador. Para tal fin, dos etapas principales serán llevadas a cabo. Primero, se desarrollará una metodología que permita modelar la estructura intrínseca de los datos estudiados, a partir de representaciones de baja dimensión calculadas con técnicas no lineales de reducción de dimensión. Asimismo, se propondrá un método para seleccionar de forma automática y objetiva los parámetros libres en dicha metodología. Posteriormente, se desarrollará un esquema basado en kernels múltiples para incorporar de forma objetiva el conocimiento a priori acerca de las observaciones estudiadas (información espacial, temporal, pertenencia de clase, etc.) en técnicas no lineales de reducción de dimensión, con el fin de mejorar la representatividad de los datos disponibles. Las metodologías propuestas serán probadas en bases de datos reales y artificiales, comparando su desempeño contra métodos encontrados en el estado del arte relacionados con tareas de síntesis de imágenes y análisis de movimiento en videos.