Este estudio presenta un enfoque novedoso, basado en datos hidroacústicos de alta dimensionalidad, para mejorar el rendimiento del análisis de respuesta angular (ARA) en datos de retrodispersión de multihaz en términos de separación de clases acústicas y resolución espacial. Este enfoque se basa en la estructura de datos del cubo hiperangular (HAC), que ofrece la posibilidad de extraer una respuesta angular de cada celda del cubo. El HAC consiste en un número finito de capas de retrodispersión, cada una representando valores de retrodispersión correspondientes a ángulos de incidencia de ensonificación únicos. La construcción de las capas HAC se puede lograr ya sea interpolando sondeos densos de encuestas de ecosonda multihaz (MBES) altamente superpuestas (HAC interpolado, iHAC) o produciendo varios mosaicos de retrodispersión, cada uno normalizado a un ángulo de incidencia diferente (HAC sintético, sHAC). Este último enfoque se puede aplicar a datos de multihaz con superposición estándar, minimizando así el costo de adquisición de datos. El sHAC es tan eficiente como el iHAC producido por sondeos reales, proporcionando respuestas angulares distintas para cada tipo de fondo marino. La estructura de datos HAC aumenta la separabilidad de clases acústicas entre diferentes características acústicas. Además, los resultados del análisis de respuesta angular se aplican a una escala espacial fina (dimensiones de celda), ofreciendo mapas acústicos más detallados del fondo marino. Considerando que la información angular se expresa a través de capas de retrodispersión de alta dimensionalidad, aplicamos además tres algoritmos de aprendizaje automático (bosque aleatorio, máquina de soporte vectorial y red neuronal artificial) y un método de reconocimiento de patrones (suma de diferencias absolutas) para la clasificación supervisada del HAC, utilizando una cantidad limitada de datos de verdad de terreno (una muestra por tipo de fondo marino). Los resultados de la clasificación supervisada se compararon con los resultados de un método no supervisado para la comparación entre los algoritmos supervisados. Se encontró que todos los algoritmos (tanto el iHAC como el sHAC) produjeron resultados muy similares con buena concordancia (>0.5 kappa) con la clasificación no supervisada. Solo la red neuronal artificial requirió la cantidad total de datos de verdad de terreno para producir resultados comparables con los demás algoritmos.