Resumen: Este trabajo presenta los resultados de la aplicación de las texturas de Haralick al proceso de clasificación automática de unidades geomorfológicas en la geografía colombiana. En proyectos de índole ambiental y de ordenamiento territorial es importante conocer las clases de relieve existentes en una zona geográfica. El objetivo de este trabajo es incrementar el desempeño de este tipo de clasificaciones añadiendo información de texturas al conjunto de características comúnmente utilizado en este tipo de problemas. La información de texturas fue extraída utilizando el método de Haralick con ventanas móviles parametrizadas sobre mapas en formato Raster de la morfología de terreno. Para reducir la complejidad de la clasificación, se dividió el problema en 2 subproblemas a través de la definición de un criterio que separara las clases objetivo en dos sub-grupos llamados super clases. El criterio se estableció usando Análisis de Componentes Principales sobre la información de las elevaciones y pendiente del terreno. Se realizaron varias pruebas con diferentes clasificadores y validación cruzada con $30000$ datos de diferentes muestras sobre la información disponible. Se demostró que las características basadas en texturas son útiles para el problema planteado ya a que su desempeño es superior (alrededor del 97%) al alcanzado si se utiliza solo información morfológica del terreno (alrededor del 61%). / Abstrac: This paper presents the results of applying Haralik's textures in the automatic landform classification process of Colombia's geography. For environmental and land use projects, is important to know the landform available in a geographic area. The objective of this work is to improve the performance of such classifications, by adding aditional information to the commonly used data features in such problems. The texture information was extracted using the method of Haralick, parameterized with moving windows of geo-referenced maps in raster format. Those maps contains information of the morphology of terrain such as elevation, slopes, etc. Several tests were performed using different classifiers and cross-validation over several dataset with 30000 samples extracted from the study case data. It was shown that texture-based features are useful for the problem, because its performance is higher (about 97 %) compared to that achieved when using only morphological information of the terrain (about 61 %).