分类问题是机器学习和模式识别领域的常见任务,然而,当训练样本的类别极端不均衡时,常用的分类器就会产生较差的分类效果.为了解决上述问题,出现了单类分类方法,单类支持向量机(OCSVM)被认为是一种常见的单类分类方法.OCSVM是强分类器,因此,将传统的集成方法用于组合多个OCSVM并不能提高单个OCSVM的性能.为了提高OCSVM集成的分类性能,本文提出了两种改进的OCSVM集成方法.一是基于旋转的OCSVM集成,对于集成中的不同OCSVM,其训练数据由不同的旋转矩阵进行转换.因此,可以保证OCSVM集成训练数据的多样性.并在10个基准数据集上验证了该集成方法的有效性.二是基于改进AdaBoost的OCSVM集成.由于使用传统的AdaBoost对OCSVM加以集成并不能产生较好的性能.本文对传统AdaBoost的损失函数进行了改进,即为了提高基于传统AdaBoost的OCSVM集成的鲁棒性,提出了一种更为鲁棒的损失函数.所提的损失函数定义为修正的指数损失函数与平方损失函数的加权组合.重新设计了基分类器权重和训练样本概率分布的更新公式,给出了基于改进AdaBoost的OCSVM集成的经验误差和泛化误差的上界.在人工和基准数据集上的实验结果表明,所提集成方法优于相关方法。