特征提取一直是模式识别和机器学习研究领域中的重要研究内容，其目的是克服机器学习中所面临的“维数灾难”难题。到目前为止，国内外对两类和多类分类问题中特征提取的研究已趋于成熟。与两类和多类问题类似，异常检测在处理高维数据集时同样面临维数灾难的难题。因此，特征提取的有效性是异常检测方法在处理高维数据时成败与否的关键。本文提出了基于相关熵的异常检测特征提取方法。在传统的异常检测特征提取方法中，目标函数为最大化正常数据的散度与异常数据和正常数据中心的散度之间的散度差本文最大化正常数据与其均值的相关熵，同时最小化异常数据与正常数据均值之间的相关熵，从而提高了异常检测特征提取方法的鲁棒性。此外，在所提方法的目标函数中引入L2范数的正则化项，进一步提高异常检测特征提取方法的抗噪声能力。最后，利用半二次优化技术求取所建立模型的最优解。实验结果表明，所提方法可以有效提高异常检测方法的分类能力。