在生物识别技术中，所识别的对象数据往往是张量的形式，而以PCA，LDA为代表的经典的线性子空间分析方法在处理张量问题时，都需要将张量数据向量化。近几年出现了直接对张量数据进行处理的多重线性子空间分析方法。UMLDA是一种新型的多重线性子空间特征抽取算法。而UMLDA在求解问题时采用的是一种迭代算法，这使得其结果受到初始化方法，n—mode子问题求解顺序和终止条件的影响。 为了缓解在迭代过程中不同的子问题求解顺序对结果的影响，本文对原始的张量数据增加了基于MPCA的全映射。由于这样的全映射的各阶分量是相互独立的，与其它阶分量无关。因此全映射的求解过程中，不受各子问题求解顺序的影响。其次，经过全映射变换后的子空间数据，由于其数据信息在各个阶上都是按重要性依次排列，因此也可以缓解后续处理环节中不同求解顺序对结果的影响。在人脸数据库FERET上的实验评估显示，改进的算法在低特征数的情况下识别率有所提升。