Um comitê de máquinas, ou ensemble, é uma combinação de diversos classificadores por meio de uma estratégia pré-estabelecida. seu uso tem sido comum na literatura para garantir um aumento de generalização nos problemas de classificação. entretanto, é fundamental o uso de uma boa estratégia de diversidade para assegurar a qualidade dos resultados. para tanto, a presente pesquisa propõe a construção de um modelo multinível, onde a decisão final é realizada por meio da combinação das saídas de ensembles. a esse modelo refere-se aqui como comitê de ensembles. o tema da presente dissertação buscou avançar o estado da arte ao propor uma estratégia para a realização do comitê de ensembles. propôs-se ainda a combinação de ensembles que tenham em sua formação classificadores com similaridades entre si. dessa forma, cada ensemble do comitê especializa-se em determinado paradigma de aprendizagem (família). busca-se com isso um aumento ainda maior da diversidade. a aplicação do modelo proposto (nível 2) ocorreu em bases de dados públicas com diferentes características e sua avaliação foi mensurada por meio da acurácia, área sob a curva roc (auc) e tempo de execução. os resultados mostraram semelhanças de desempenho dos níveis 0 e 1. o modelo proposto conseguiu um crescimento médio de até 14% e 10% em relação à, respectivamente, acurácia e área sob a curva roc dos níveis 0 e 1. a família que apresentou os melhores resultados foi a bayesiana. os resultados demonstraram que o desempenho da família bayesiana foi 949 vezes mais rápido no tempo de execução que o comitê de ensembles com os resultados de acurácia e área sob a curva roc mais estáveis e levemente superior às demais famílias (nível 1). por fim, a análise estatística, com um nível de significância de 5% (¿=0,05), comprovou o bom desempenho do comitê de ensembles em quase todas as comparações em relação aos demais níveis tanto em termos de acurácia quanto de área sob a curva roc, embora com um alto tempo de execução.