Esta tesis trata sobre reconstrucción de superficies a partir de imágenes de rango utilizando algunas extensiones de la Regularización de Tikhonov, que produce Splines aplicables a datos en n dimensiones. La idea central es que estos splines se pueden obtener mediante la teoría de regularización, utilizando un equilibrio entre la suavidad y la fidelidad a los datos, por tanto, serán aplicables tanto en la interpolación como en la aproximación de datos exactos o ruidosos. En esta tesis proponemos un enfoque variacional que incluye los datos e información a priori acerca de la solución, dada en forma de funcionales. Solucionamos problemas de optimización que resultan ser una extensión de la teoría de Tikhonov, con el propósito de incluir funcionales con propiedades locales y globales que pueden ser ajustadas mediante parámetros de regularización. El a priori es analizado en términos de las propiedades físicas y geométricas de los funcionales para luego ser agregados a la formulación variacional. Los resultados obtenidos se prueban con datos para reconstrucción de superficies, mostrando notables propiedades de reproducción y aproximación. En particular, utilizamos la reconstrucción de superficies para ilustrar las aplicaciones prácticas, pero nuestro enfoque tiene muchas más aplicaciones. En el centro de nuestra propuesta esta la teoría general de problemas inversos y las aplicaciones de algunas ideas provenientes del análisis funcional. Los splines que obtenemos son combinaciones lineales de las soluciones fundamentales de ciertos operadores en derivadas parciales, frecuentes en la teoría de la elasticidad y no se hace ninguna suposición previa sobre el modelo estadístico de los datos de entrada, de manera que se pueden tomar en términos de una inferencia estadística no paramétrica. Estos splines son implementables en una forma muy estable y se pueden aplicar en problemas de interpolación y suavizado. / Abstract: This thesis is about surface reconstruction from range images using some extensions of Tikhonov regularization that produces splines applicable on n-dimensional data. The central idea is that these splines can be obtained by regularization theory, using a trade-off between fidelity to data and smoothness properties; as a consequence, they are applicable both in interpolation and approximation of exact or noisy data. We propose a variational framework that includes data and a priori information about the solution, given in the form of functionals. We solve optimization problems which are extensions of Tikhonov theory, in order to include functionals with local and global features that can be tuned by regularization parameters. The a priori is thought in terms of geometric and physical properties of functionals and then added to the variational formulation. The results obtained are tested on data for surface reconstruction, showing remarkable reproducing and approximating properties. In this case we use surface reconstruction to illustrate practical applications; nevertheless, our approach has many other applications. In the core of our approach is the general theory of inverse problems and the application of some abstract ideas from functional analysis. The splines obtained are linear combinations of certain fundamental solutions of partial differential operators from elasticity theory and no prior assumption is made on a statistical model for the input data, so it can be thought in terms of nonparametric statistical inference. They are implementable in a very stable form and can be applied for both interpolation and smoothing problems.