El análisis discriminante lineal (LDA), como un método efectivo de extracción de características, se ha aplicado ampliamente en el análisis de datos de alta dimensionalidad. Sin embargo, su rendimiento discriminatorio sigue estando severamente limitado por los siguientes factores. En primer lugar, la restricción en el número total de características disponibles de LDA ha limitado seriamente su aplicación a problemas donde la dimensión de las características es mucho mayor que el número de clases. En segundo lugar, LDA no puede manejar datos que contienen múltiples conglomerados (o subclases) dentro de una clase porque no puede representar correctamente la estructura local de los datos. Para aliviar este problema, proponemos un modelo de análisis discriminante de multiproyección preservando la localidad (LPMDA) para extraer características más discriminatorias preservando la estructura local. Específicamente, LPMDA reformula la función objetivo de LDA como un marco de análisis discriminante convexo desde la perspectiva del aprendizaje métrico, lo que permite extraer más características que el número de clases. Además, se integra una técnica de grafo auto-optimizado en el marco de análisis discriminante para explorar la estructura local de los datos. Se presenta un algoritmo de optimización iterativo eficiente para resolver LPMDA. Experimentos extensos en varios conjuntos de datos de referencia confirman la efectividad del método propuesto.