Uno de los desafíos en el aprendizaje automático es la clasificación en datos multimodales. El problema requiere un método personalizado ya que los datos tienen una característica que se extiende en varias áreas. Este estudio propuso un clasificador de redes neuronales difusas de múltiples libros de códigos utilizando enfoques de aprendizaje de agrupamiento e incremental para tratar la clasificación de datos multimodales. Los métodos de agrupamiento utilizados son el agrupamiento K-Means y GMM. Como resultado de los experimentos, en un conjunto de datos sintéticos, el método propuesto logró el mejor rendimiento con una precisión del 84.76%. Mientras que en el conjunto de datos de referencia, el método propuesto tuvo el mejor rendimiento con una precisión del 79.94%. El método propuesto tiene mejoras del 24.9% y 4.7% en los conjuntos de datos sintéticos y de referencia respectivamente en comparación con la versión original. El clasificador propuesto tiene una mejor precisión en comparación con una red neuronal popular con un margen del 10% y 4.7% en los conjuntos de datos sintéticos y de referencia respectivamente.