Uno de los desafíos significativos en el aprendizaje automático es la clasificación de datos desbalanceados. En muchas situaciones, los clasificadores estándar no pueden aprender a distinguir los ejemplos de la clase minoritaria de los demás. Dado que muchos problemas reales son desbalanceados, este problema se ha vuelto muy relevante y se ha estudiado en profundidad hoy en día. Este artículo presenta un nuevo método de preprocesamiento basado en la teselación de Delaunay y el algoritmo de preprocesamiento SMOTE (Técnica de Sobremuestreo de Minorías Sintéticas), que llamamos DTO-SMOTE (Sobremuestreo de SMOTE por Teselación de Delaunay). DTO-SMOTE construye una malla de simplices (en este artículo, utilizamos tetraedros) para crear ejemplos sintéticos. Comparamos los resultados con cinco algoritmos de preprocesamiento (GEOMETRIC-SMOTE, SVM-SMOTE, SMOTE-BORDERLINE-1, SMOTE-BORDERLINE-2 y SMOTE), ocho algoritmos de clasificación y 61 conjuntos de datos de clase binaria. Para algunos clasificadores, DTO-SMOTE tiene un rendimiento superior al de otros en términos de Área Bajo la Curva ROC (AUC), Media Geométrica (GEO) e Índice Generalizado de Precisión Balanceada (IBA).