Actualmente, el análisis discriminante lineal de vecindario (nLDA) aprovecha los vecinos más cercanos inversos (RNN) para evitar la suposición del análisis discriminante lineal (LDA) de que todas las muestras de la misma clase deben ser independientes e idénticamente distribuidas (i.i.d.). nLDA funciona bien cuando un conjunto de datos contiene clases multimodales. Sin embargo, en tareas complejas de reconocimiento de patrones, como la clasificación visual, las variaciones complejas de apariencia causadas por deformación, iluminación y ángulo visual a menudo generan no linealidad. Además, no es fácil separar las clases multimodales en un espacio de características de menor dimensión. Una solución a estos problemas es mapear la característica a un espacio de características de mayor dimensión para el aprendizaje discriminante. Por lo tanto, en este documento, empleamos funciones de kernel para mapear los datos originales a un espacio de características de mayor dimensión, donde las clases multimodales no lineales pueden ser mejor clasificadas. Damos los detalles de la deducción del análisis discriminante de vecindario inverso de kernel propuesto (KRNDA) con los trucos de kernel. El KRNDA propuesto supera al nLDA original en la mayoría de los conjuntos de datos de la base de datos de referencia UCI. En tareas de reconocimiento visual de alta dimensión, como el reconocimiento de dígitos escritos a mano, la categorización de objetos y el reconocimiento facial, nuestro KRNDA logra los mejores resultados de reconocimiento en comparación con varios discriminadores basados en LDA sofisticados.