本文就两分类问题，研究了两种线性判别：主分量分类器和Fisher判别分析。 主分量分类器是在两类样本投影代数和最大的前提下，获得最佳投影方向(分类面法方向)，实现样本分类。它的不足之处在于：1．认为所有样本(包括野值)对分类面设计的贡献相等：2．只考虑了一个野值；3．没有考虑噪声对分类面的影响。鉴于以上不足，本文引入k—近邻、加权等策略，在PCC基础上，设计了一组增强型主分量分类器，其鲁棒性、推广能力均强于PCC。 Fisher判别用类间离散度描述不同类样本分离程度，用类内离散度刻划类内样本疏密程度。但类间离散度矩阵的秩最大只能为1，决定了FLDA只能取一个判别方向(最大特征值对应的特征向量)，无法利用其它方向的判别信息。为打破这种限制，本文采用一种新的度量来衡量异类样本的分离程度，取代Fisher判别的类间离散度，改进后的判别称之为多特征线性判别，它不仅可以利用多个方向的判别信息，灵活选择判别方向的个数，而且推广能力优于FLDA，在某些情形下甚至超过了SVM。 在人工数据集和国际标准(部分UCI和VISTA)数据集上的实验，证实了所提模型的优越性。