Alhora de construir sistemes intel·ligents capaços de sensoritzar, reconèixer i comprendre el seu entorn, una de les opcions consisteix a fer servir una mesura de distància o de dissimilitud per tal de comparar els objectes detectats. En alguns casos, la utilització de distàncies estàndard pot ser acceptable i fins i tot convenient. No obstant això, sempre existeix la possibilitat d'aprendre una distància adaptada al problema inductivament a partir d'exemples particulars. Precisament, l'aprenentatge de distàncies és un cas particular d'aprenentatge automàtic el objectiu del qual consisteix a trobar aquella funció distància que satisfà una sèrie de condicions que tenen a veure amb l'adaptació de la distància al problema. En altres paraules, es tracta de trobar aquella funció distància que fa òptims els corresponents procediments de reconeixement. En aquesta tesi s'aborda el problema de l'aprenentatge de distàncies des de dues perspectives diferents. Una d'elles considera el cas en què tots els exemples a l'abast es fan servir conjuntament i a l'hora en el procés d'aprenentatge (aquest paradigma es coneix com aprenentatge per lots). L'altra contempla el cas en què els exemples es fan servir de manera seqüencial, un a un, de tal forma que en cada pas es disposa d'un determinat model de distància que poc a poc va millorant (aquest procés rep el nom d'aprenentatge continu o en línia). Respecte a l'aprenentatge per lots, en aquesta tesi es planteja com alternativa l'elecció d'exemples amb diferents criteris per tal de construir un subconjunt reduït i representatiu en contraposició a la utilització del conjunt d'exemples originalment disponibles. Aquesta aportació redueix el temps d'execució i manté l'eficiència en la classificació d'un mètode d'aprenentatge de distàncies àmpliament conegut en la literatura relacionada, que està fonamentat en la idea que els elements de la mateixa classe estiguen a distància zero. Respecte de l'aprenentatge en línia s'han desenvolupat diferents alternatives d'un mètode que aprén a través d'un model, i que realitza una adaptació només si prediu incorrectament. Entre les diferents aproximacions presentades, s'ha introduït una formulació mitjançant mínims quadrats que defineix un nou mètode d'aprenentatge en línia de distàncies. En les versions desenvolupades, els resultats obtinguts per a classificació mostren un rendiment equiparable a alguns mètodes per lots i un requeriment computacional reduït en relació també a aquest tipus de configuració.