El interés en el aprendizaje automático con redes tensoriales ha crecido rápidamente en los últimos años. Mostramos que los métodos basados en tensores desarrollados para aprender las ecuaciones gobernantes de sistemas dinámicos a partir de datos pueden, de la misma manera, ser utilizados para problemas de aprendizaje supervisado y proponemos dos enfoques novedosos para la clasificación de imágenes. Uno es una reformulación basada en kernel de la aproximación multidimensional de dinámicas no lineales (MANDy) previamente introducida, y el otro una regresión de crestas alternantes en el formato de tren tensorial. Aplicamos ambos métodos al conjunto de datos MNIST y fashion MNIST y mostramos que los enfoques son competitivos con clasificadores basados en redes neuronales de última generación.