En los últimos años, la visualización de datos se ha convertido en un área muy activa y vital de la investigación. Es una manera eficaz de analizar grandes cantidades de datos para identificar correlaciones, tendencias, valores extremos, patrones, entre otra mucha información. Los datos sin procesar a menudo carecen de sentido, pero representar dichos datos visualmente ofrece al público un contexto importante para entender la información contenida en ellos. Debido a la importancia de esta área de investigación, y a su novedad, esta tesis se centra en esta temática y pretende descubrir nuevos hallazgos, extraer conclusiones y legar contribuciones relevantes a la comunidad científica en dicho campo. Para alcanzar dicho propósito, este trabajo trata de abordar dos objetivos principales. El primer objetivo de la presente tesis es tratar de desarrollar nuevos métodos de visualización para interpretar los resultados de varios algoritmos de minería de datos. Por ejemplo, el análisis de clusters o técnicas de agrupamiento es un gran desafío en la visualización de datos; por esta razón, ambos van a menudo de la mano. Sin embargo, hay una falta de técnicas de visualización asociadas al clustering y clustering jerárquico que proporcionen información sobre los valores de los atributos de los centroides y de las relaciones entre ellos. Por lo tanto, esta tesis investiga nuevas aproximaciones que hagan posible incluir esta información visualmente, además de encontrar nuevos métodos para visualizar los resultados de varios algoritmos de minería de datos, aparte de los anteriormente mencionados, con el fin de ayudar a simplificar su interpretación y para obtener una mejor comprensión. Otro de los objetivos de esta tesis se centra en abordar diferentes problemas reales de diversa índole, algunos de ellos enmarcados en proyectos de investigación financiados. La solución de estos problemas se aborda a través de la visualización de datos y minería de datos visual con el fin de obtener una perspectiva sobre el problema, lo que hace posible la extracción de conocimiento, el descubrimiento de información oculta y encontrar patrones y relaciones entre los datos. En particular, la presente tesis se centra en el uso de los conocidos Self-Organizing Maps (SOMs) para resolver problemas reales en diversos campos de investigación, proporcionando soluciones a problemas complejos que de otra manera habría sido muy difícil de resolver.Data visualization has in recent years become a very active and vital area of research. It is an effective way to analyze large amounts of data to identify correlations, trends, outliers, patterns, among many other information. Raw data are often meaningless, but representing visually such data offers audiences important context for understanding the information contained in them. Due to the importance of this area of research, and its novelty, this thesis aims to discover new findings, draw conclusions and bequeath significant contributions to the scientific community in this field. To achieve this purpose, this work attempts to address two main objectives. The first objective of this thesis is to try to develop new visualization methods for interpreting the results of several data mining algorithms. For example, cluster analysis is a big challenge in data visualization; for this reason, they both often go hand in hand. Nonetheless, there is a lack of visualization techniques associated with clustering and hierarchical clustering that provide information about the values of the centroids’ attributes and the relationships among them. Thus, this thesis researches new approaches that make possible to include this information visually, as well as to find new methods for visualizing the results of several data mining algorithms, apart from those above mentioned, in order to help simplify their interpretation and to obtain a better understanding. Another objective of the present thesis is focused on addressing different real problems of diverse nature, some of them framed in funded research projects. The solution of these problems are approached through data visualization and visual data mining in order to gain insight about the problem making possible the knowledge extraction, the discovery of hidden information, and finding patterns and relationships in data. Particularly, the present thesis focuses on the use of the well-known Self- Organizing Maps (SOMs) to solve real problems in several different fields of research, providing solutions to complex problems that would otherwise have been very difficult to solve.