Este documento presenta un algoritmo de Análisis de Componentes Principales Multilineales Mejorado (EMPCA), una variante mejorada del Análisis de Componentes Principales Multilineales tradicional (MPCA) diseñada para una reducción eficiente de la dimensionalidad en datos de alta dimensión, especialmente en tareas de análisis de imágenes. EMPCA integra la descomposición de valores singulares aleatorios para reducir la complejidad computacional manteniendo la integridad de los datos. Además, combina de manera innovadora el método de reducción de dimensionalidad con el algoritmo Mask R-CNN, mejorando la precisión de la segmentación de imágenes. Aprovechando tensores, EMPCA logra una reducción de la dimensionalidad que beneficia específicamente la clasificación de imágenes, el reconocimiento facial y la segmentación de imágenes. Los resultados experimentales muestran una reducción del 17,7% en el tiempo de cálculo en comparación con métodos convencionales, sin comprometer la precisión. En experimentos de clasificación de imágenes y reconocimiento facial, EMPCA mejora significativamente la eficiencia del clasificador, logrando una precisión comparable o superior a algoritmos como Máquinas de Vectores de Soporte (SVM). Además, la preprocesamiento de EMPCA explota la información latente dentro de las estructuras tensoriales, lo que conduce a un mejor rendimiento de segmentación. El algoritmo EMPCA propuesto promete reducir los tiempos de ejecución del análisis de imágenes y avanzar en técnicas rápidas de procesamiento de imágenes.