В статье рассматривается возможность автоматизированной классификации геометрических объектов на основе многомерного статистического анализа их параметров без применения сложных нелинейных методов машинного обучения. Объекты описываются совокупностью взаимосвязанных геометрических и физических характеристик, включая линейные размеры, площади, объемы, массу и плотность, что приводит к высокой коррелированности признаков и усложняет их интерпретацию. Для решения поставленной задачи применяются классические методы многомерного анализа данных: корреляционный и регрессионный анализ, метод главных компонент, кластеризация и линейный дискриминантный анализ. Исследование проводится на синтетической выборке, сформированной на основе реалистичных диапазонов параметров, полученных с опорой на реальные геометрические соотношения.Показано, что предварительное снижение размерности с использованием PCA позволяет устранить мультиколлинеарность признаков и получить компактное, интерпретируемое представление данных. Кластеризация в пространстве главных компонент выявляет устойчивую групповую структуру объектов, а применение линейного дискриминантного анализа обеспечивает высокое качество классификации. Полученные результаты подтверждают, что интерпретируемые статистические методы остаются эффективным инструментом анализа и классификации геометрических объектов и могут использоваться в задачах предварительного анализа данных, поддержки экспертных и интеллектуальных систем в области ИКТ