Se espera que los Vehículos Automatizados de Alto Nivel (HAVs) mejoren significativamente la seguridad vial. Sin embargo, la verificación y evaluación de los HAVs sigue siendo un problema abierto. Las pruebas basadas en escenarios son un método prometedor para la evaluación de HAVs. Existen escenarios límite alrededor del límite de rendimiento entre escenarios críticos y no críticos. Probar los HAVs en estos escenarios límite es crucial para investigar por qué no se pueden evitar las colisiones debido a pequeños cambios en los parámetros del escenario. Este estudio propone una metodología para generar escenarios límite diversos para probar los HAVs. Primero, se propone un enfoque para obtener al menos un Clasificador de Alto Rendimiento (HPC) basado en dos algoritmos de clasificación que se guían mutuamente de manera iterativa para encontrar escenarios inciertos y mejorar su rendimiento. Luego, se explota el HPC para encontrar escenarios candidatos que sean muy propensos a ser escenarios límite. Para aumentar la eficiencia de la generación de escenarios candidatos, se presenta una estrategia basada en muestreo local para encontrar escenarios candidatos más diversos a partir de un pequeño número de ellos. Los experimentos numéricos muestran que los HPCs adquiridos por el método propuesto en este estudio pueden alcanzar una precisión de clasificación del 98% y 99% para escenarios de seguimiento de vehículos aleatorios y de corte, respectivamente. Además, más del 86% de los 271,744 escenarios candidatos de corte derivados del muestreo local están cerca del límite de rendimiento.