La mayoría de los algoritmos de reducción de dimensionalidad asumen que los datos son independientes e idénticamente distribuidos (i.i.d.). En aplicaciones del mundo real, sin embargo, a veces existen relaciones entre los datos. Se han propuesto algunos métodos de aprendizaje relacional, pero aún faltan aquellos con análisis de relación discriminativo, ya que la información supervisora importante suele ser ignorada. En este documento, proponemos un marco novedoso y general, llamado análisis de Fisher relacional (RFA), que integra con éxito la información relacional en el modelo de reducción de dimensionalidad. Para el aprendizaje de representaciones de datos no lineales, adoptamos el truco del kernel para RFA y proponemos el RFA kernelizado (KRFA). Además, se demuestra teóricamente la convergencia del algoritmo de optimización de RFA. Al aprovechar estrategias adecuadas para construir la matriz relacional, realizamos experimentos extensos para demostrar la superioridad de nuestros métodos RFA y KRFA sobre enfoques relacionados.