在对高维数据进行可视分析的时候,降维算法无疑扮演着重要的角色。降维算法能够将数据投影到对于人类而言认知起来更加容易的低维空间,这将更加方便用户对数据不同类之间的区分度和数据的空间分布进行探索。然而,现在被广泛应用的非监督的降维算法,如PCA,它的降维目标并不是尽可能最大化类间距。而有监督的降维算法如LDA,只适用于符合高斯分布的数据,并且没有将人类的认知考虑进去。这些问题导致了这些方法在处理复杂类结构数据的时候束手无策。为了填补这方面的空白,本文提出了一种以人类视觉感知驱动的线性降维算法,该方法旨在降维过程中,最大化符合人类视觉感知的数据的类间距。最近,基于感知的类间距度量方法在模拟人类视觉感知能力上取得较大突破。我们的方法正是基于这样的基础发展而来。我们将这些方法进一步改进,融入类密度信息,并结合到模拟退火算法中,求解出近似最优解。为了验证该方法的可靠性,高效性和扩展性。我们将该算法与现在最常用的几种降维算法在93个数据集上进行数值层面的理性比较和用户打分的感性比较,并对算法性能加以分析。同时,还将该算法扩展到类分布不均匀数据和无类标签数据上。最后还和星坐标(star coordinates)系统相结合,提供一系列的交互手段,方便用户对数据进行进一步的探索。