Nous proposons une nouvelle méthode d'Analyse Discriminante, nommée Analyse Discriminante de Haute Dimension (HDDA), adaptée aux données de grande dimension. Notre approche est basée sur l'hypothèse que les données de grande dimension vivent dans des sous-espaces dont la dimension intrinsèque est inférieure à la dimension de l'espace. Pour ce faire, nous réduisons tour à tour la dimension des données de chaque classe et nous régularisons la matrice de covariance de la classe afin d'adapter le modèle gaussien de l'analyse discriminante à ce type de données. Cette stratégie conduit à une nouvelle règle de décision qui comporte un certain nombre de cas particuliers ayant une interprétation géométrique. Nous présentons les résultats de la mise en oeuvre de cette méthode de classification multi-classes sur des données artificielles et réelles. En particulier, nous appliquons notre méthode à la reconnaissance de classe d'objets dans des images naturelles.