La clasificación supervisada de nubes de puntos 3D utilizando algoritmos de aprendizaje automático y características locales hechas a mano como covariables depende frecuentemente del tamaño del vecindario (escala) alrededor de cada punto utilizado para determinar esas características. Por lo tanto, es crucial estimar la escala o escalas que proporcionan los mejores resultados de clasificación. En este trabajo, proponemos tres métodos para estimar dichas escalas, todos ellos basados en el cálculo de los valores máximos de las funciones de correlación de distancia (DC) entre las características y la etiqueta asignada a cada punto. El rendimiento de los métodos se probó utilizando datos simulados, y el método que presentó los mejores resultados se aplicó a un conjunto de datos de referencia para la clasificación de nubes de puntos. Este método consiste en detectar los máximos locales de las funciones DC previamente suavizadas para evitar elegir escalas que estén muy cerca entre sí. Se utilizaron cinco clasificadores diferentes: análisis discriminante lineal, máquinas de vectores de soporte, bosques aleatorios, regresión logística multinomial y red neuronal de perceptrón multicapa. Los resultados obtenidos se compararon con los de otras estrategias disponibles en la literatura, siendo favorable a nuestro enfoque.