En este trabajo, un esquema de computo GPU es propuesto. El principal objetivo de dicho esquema es dar a conocer adecuadamente la informacion ms relevante a partir de un conjunto de datos de alta dimension para mejorar el rendimiento de los principales enfoques dentro del area de vision por computador: deteccion de objetos basado en video y seguimiento. Con este fin, se propone disenar e implementar un esquema de computo GPU con el fin de tratar con el problema del seguimiento y la deteccion de objetos a traves de la aplicacion de tecnicas de procesamiento de imagenes y tecnicas de aprendizaje automatico para as explotar el paralelismo masivo hilo dentro de la GPU. Por lo tanto, nuestro objetivo es mejorar la precision y robustez del sistema y reducir los problemas de carga computacional. El esquema presentado se divide en tres etapas principales: En primer lugar, un enfoque de extraccion de caracteristicas implementadas en la GPU se propone con el fin de explotar la arquitectura multinucleo y el desempeno de alto rendimiento masivamente paralelo haciendo uso del modelo de programacion CUDA. A continuacion, se compara el rendimiento del enfoque paralelo que se ejecuta en la GPU con la aplicacion CPU secuencial con el fin de demostrar el aumento de velocidad y la eficacia de nuestras estrategias paralelas. En segundo lugar, una metodologia de seleccion de caracteristicas se presenta para estimar las caracteristicas Haar-Like relevantes en la deteccion de objetos basado en video y sistemas de seguimiento. Nuestra propuesta emplea un criterio de variabilidad y un metodo de Eigen-descomposicion para identificar un subconjunto de caracteristicas Haar-Like como expositoras de informacion discriminativa. De este modo, la representacion proporcionada permite mejorar la separabilidad de las muestras, evitando al mismo tiempo la informacion redundante. En tercer lugar, la deteccion de objetos en el mundo real y el seguimiento problema se prueba. En concreto, el metodo propuesto se implementa para la deteccion de automoviles y la localizacion usando algunas secuencias de video e imagenes de internet para entrenar el sistema. Diferentes caracteristicas Haar-Like se extraen de cada muestra y nuestro metodo de seleccion de caracteristicas es llevado a cabo para garantizar una exactitud del sistema que tienen las caracteristicas Haar-Like ms relevantes utilizando una maquina de vectores de soporte clasificador con fines de discriminacion. Una vez extraido el modelo fuera de linea se implementa en C ++ tambien para validar el sistema en condiciones de tiempo real en algunos videos de vigilancia y escenas de carretera obtenidos de Internet. Los resultados obtenidos muestran como nuestro enfoque permite conseguir actuaciones aceptables en comparacion con los algoritmos del estado del arte para la deteccion de objetos basado en video y seguimiento mediante la formacion fuera de linea. Por otra parte, nuestra metodologia de analisis de relevancia es util para poner de relieve las principales dependencias de pixeles en el modelado de un objeto dado