La osteoartritis de rodilla (OAR) es una de las principales causas de discapacidad, afectando particularmente a los adultos mayores debido al deterioro del cartílago articular dentro de la articulación de la rodilla. Esta condición se caracteriza por dolor, rigidez y movimiento limitado, lo que representa un desafío significativo en el diagnóstico médico y la planificación del tratamiento, especialmente debido a la actual incapacidad para la detección temprana y precisa o el monitoreo de la progresión de la enfermedad. Esta investigación presenta un enfoque multifacético que emplea la extracción de características y el aprendizaje automático (ML) para mejorar la precisión en el diagnóstico y la clasificación de las etapas de OAR a partir de imágenes radiográficas. Utilizando un conjunto de datos de 3154 imágenes de rayos X de rodilla, este estudio implementó métodos de extracción de características como el Histograma de Gradientes Orientados (HOG) con Análisis Discriminante Lineal (LDA) y escalado Min-Max para preparar los datos para la clasificación. El estudio evalúa seis clasificadores de ML: clasificador de K vecinos más cercanos, Máquina de Vectores de Soporte (SVM), Naive Bayes Gaussiano, Árbol de Decisión, Bosque Aleatorio y XGBoost, optimizados a través de GridSearchCV para la sintonización de hiperparámetros dentro de un marco de validación cruzada estratificada de 10 pliegues. También se ha creado un modelo de conjunto para los modelos de alta precisión ya existentes para explorar la posibilidad de mejorar la precisión y reducir el riesgo de sobreajuste. El clasificador XGBoost y el modelo de conjunto surgieron como los más eficientes para la clasificación multicategoría, con una precisión del 98.90%, diferenciando entre rodillas sanas y no sanas. Estos resultados subrayan el potencial de integrar metodologías avanzadas de ML para el diagnóstico y la clasificación matizada y precisa de OAR, ofreciendo nuevas avenidas para la aplicación clínica y la investigación futura en diagnósticos de imágenes médicas.