传统的单类支持向量机（one-class support vector machine,OCSVM）在非监督学习领域中取得了较优的性能,从而得到了越来越多的关注。然而,OCSVM存在以下不足之处:一、OCSVM的分类性能在很大程度上依赖于核函数及其参数的选取,若选取不当,则OCSVM就会取得较差的分类效果,而对OCSVM的核函数及其参数的选取迄今仍无可靠的理论依据;二、OCSVM对训练集中的噪声非常敏感,若训练集中含有的噪声较多,则OCSVM的性能会受到严重影响;三、对于混合数据,如医疗诊断中的患者信息既有血型、血压等离散和连续的数值信息,也有CT、彩超等图像信息,OCSVM根本无法处理。针对上述问题,可以将多核学习（multiple kernel learning,MKL）引入到OCSVM中。MKL方法在分类及回归任务中均取得了优于单核学习方法的性能。为了解决OCSVM的上述问题同时提高其分类性能,本文提出了两种新型的多核OCSVM。1.提出了基于中心核对齐的多核单类支持向量机。首先利用中心核对齐（centered kernel alignment,CKA）计算每个核矩阵的权重,然后将所得权重用作线性组合系数,进而将不同类型的核函数加以线性组合构造组合核函数,最后将组合核函数引入到OCSVM的对偶优化问题中代替单个核函数。所提方法既能避免核函数的选取问题,又能提高泛化性能和抗噪声能力。在20个基准数据集上与其他五种相关方法进行了实验比较,验证了所提方法的有效性。2.提出了深度多核单类支持向量机,利用深度多核学习（deep multiple kernel learning,DMKL）对核函数进行组合,即通过多个核函数的多次特征映射得到组合核矩阵,然后使用梯度下降法求取最优的组合权重,进而获得最优的组合核函数,最后也是将组合核函数引入到OCSVM的对偶优化问题中代替单个核函数。所提方法不仅可以避免核函数及其参数的选取问题,还提高了模型的泛化能力。在基准数据集上的实验结果可以发现,所提方法取得了优于其他五种相关方法的分类性能。