其解决的是当用个指标描述的研究对象之间的相似性或距离给定时，这些研究对象在低维空间中的表示，并使其接近程度与原来的相似性或距离大体匹配，从而揭示研究对象的潜在结构。

多维尺度分析包含众多模型，可以从不同角度进行分类。较为常见的是根据研究对象间距离的可测量水平，分为度量MDS模型和非度量MDS模型。如果对象间距离的测度尺度可以达到定距或定比水平，则使用度量MDS模型；否则，使用非度量MDS模型为宜。

下面，仅以度量模型中的古典MDS模型为例，说明其基本原理。古典MDS模型是最早出现的MDS方法之一。设为一个相异性矩阵，表示对象与对象之间的相异性，古典MDS模型的目标是用某个维欧式空间中的个点来表示个研究对象。点和之间的欧式距离用表示。在古典MDS模型中，将相异性数据看成是点之间的距离，即。模型拟合优度用百分变差和平方百分变差来描述：

…（1）

…（2）

式中为个点在第个坐标上的方差，即,。的大小可以表示第j个坐标的重要性。

需要注意的是，上述古典MDS模型仅适用于数据为1个单独矩阵的情况。当数据为采集自不同个体的多个矩阵时，例如，由多个受访者填写调查问卷，则需要使用拟合重复MDS模型。

21世纪10年代，大多数通用的统计软件都可以帮助用户方便快捷的实现各种MDS模型的计算和结果的可视化展示。多维尺度分析可以适应不同测度水平、多个样本来源的数据，其在心理度量、市场研究以及信息计量学等领域都得到了广泛应用。