Los sistemas de olfato electronico son instrumentos que han sido desarrollados para emular a los sistemas de olfato biologicos. A este tipo de ingenios se les ha conocido popularmente como narices electronicas (NE). Los cientificos e ingenieros que siguen perfeccionando este tipo de instrumento trabajan en diferentes frentes, como son el del desarrollo de nuevos sensores de gases (con mejor discriminacion y mayor sensibilidad), el de la adaptacion de tecnicas analiticas como la espectrometria de masas (MS) en substitucion de la tradicional matriz de sensores quimicos, la extraccion de nuevos parametros de la respuesta de los sensores (preprocesado) o incluso en el desarrollo de tecnicas mas sofisticadas para el procesado de datos.Uno de los principales inconvenientes que en la actualidad presentan los sistemas de olfato artificial es la alta dimensionalidad de los conjuntos a analizar, debido a la gran cantidad de parametros que se obtienen de cada medida. El principal objetivo de esta tesis ha sido estudiar y desarrollar nuevos metodos de seleccion de variables con el fin de reducir la dimensionalidad de los datos y asi poder optimizar los procesos de reconocimiento en sistemas de olfato electronico basados en sensores de gases o en espectrometria de masas.Para poder evaluar la importancia de los metodos y comprobar si ayudan realmente a solucionar la problematica de la dimensionalidad se han utilizado cuatro conjuntos de datos pertenecientes a aplicaciones reales que nos permitieron comprobar y comparar los diferentes metodos implementados de forma objetiva. Estos cuatro conjuntos de datos se han utilizado en tres estudios cuyas conclusiones repasamos a continuacion:En el primero de los estudios se ha demostrado que diferentes metodos (secuenciales o estocasticos) pueden ser acoplados a clasificadores fuzzy ARTMAP o PNN y ser usados para la seleccion de variables en problemas de analisis de gases en sistemas multisensoriales. Los metodos fueron aplicados simultaneamente para identificar y cuantificar tres compuestos organicos volatiles y sus mezclas binarias construyendo sus respectivos modelos neuronales de clasificacion.El segundo trabajo que se incluye en esta tesis propone una nueva estrategia para la seleccion de variables que se ha mostrado eficaz ante diferentes conjuntos de datos provenientes de sistemas olfativos basados en espectrometria de masas (MS). La estrategia ha sido aplicada inicialmente a un conjunto de datos consistente de mezclas sinteticas de compuestos volatiles. Este conjunto ha sido usado para mostrar que el proceso de seleccion es viable para identificar un minimo numero de fragmentos que permiten la discriminacion correcta entre mezclas usando clasificadores fuzzy ARTMAP. Ademas, dada la naturaleza simple del problema planteado, fue posible mostrar que los fragmentos seleccionados, son fragmentos de ionizacion caracteristicos de las especies presentes en las mezclas a ser discriminadas. Una vez demostrado el correcto funcionamiento de esta estrategia, se aplico esta metodologia a otros dos conjuntos de datos (aceite de oliva y jamones ibericos, respectivamente).El tercer estudio tratado en esta tesis ha girado en torno al desarrollo de un nuevo metodo de seleccion de variables inspirado en la concatenacion de varios procesos de backward selection. El metodo esta especialmente disenado para trabajar con Support Vector machines (SVM) en problemas de clasificacion o de regresion. La utilidad del metodo ha sido evaluada usando dos de los conjuntos de datos ya utilizados anteriormente.Como conclusion se puede decir que para los diferentes conjuntos estudiados, la inclusion de un proceso previo de seleccion de variables da como resultado una reduccion drastica en la dimensionalidad y un aumento significativo en los correspondientes resultados de clasificacion. Los metodos introducidos aqui no solo son utiles para resolver problemas de narices electronicas basadas en MS, sino tambien para cualquier aplicacion de sistemas de olfato artificial que presenten problemas de alta dimensionalidad como en el caso de los conjuntos de datos estudiados en este trabajo.