El trabajo aborda el tema de la detección de conglomerados de un cierto patrón en secuencias. Esta situación tiene una analogía grande con la detección de epidemias en el tiempo, por lo que las técnicas estadísticas y de inteligencia artificial que se usan para resolver ambos problemas son en esencia las mismas. Entre la gran cantidad de algoritmos reportados en la literatura para detectar conglomerados, se encuentran los métodos Scan. En la presente tesis se exponen sus fundamentos matemáticos y se realiza un estudio de simulación para analizar su capacidad de respuesta. Basado en estos resultados y en la teoría de la lógica borrosa, se proponen novedosos algoritmos: los métodos Scan Borrosos. El problema de la selección adecuada de los valores para los parámetros se trata también en los métodos propuestos. Se realizan estudios de simulación sobre secuencias pequeñas (de tamaño 100, 300 y 500) y para complementarlo se ejecuta un diseño experimental no paramétrico sobre secuencias más largas (hasta 1 000 000). Finalmente se propone el uso de un algoritmo bioinspirado para encontrar valores adecuados para los parámetros de los métodos estudiados. Para concluir se muestran varias aplicaciones en el campo de la bioinformática y en dominios epidemiológicos. Todas ellas se reducen en esencia, a detectar conglomerados de un cierto patrón de secuencias. En los resultados de simulación y en las aplicaciones reales se pone de manifiesto la superioridad de los métodos borrosos.