单分类算法是基于样本中一类的监督学习,在机器学习和数据挖掘领域中得到越来越多的关注。单分类算法把样本中的一类作为目标类,把样本中的其它类作为非目标类,通过从目标类学习到单分类器,进而预测新样本属于目标类还是非目标类。单分类算法广泛应用于入侵检测、图像检索、文本检索和遥感。因此,深入研究单分类算法极为重要。随着商业数据的崛起,具有相似分布的数据集越来越多。多任务算法适用于处理分布相似但不相同的数据集,得到越来越多的关注。同时,在多个任务中,多个源任务的标记数据量可能远远大于目标任务的数据量。然而,大部分现有的单分类算法属于单任务算法,并不适用于多任务单分类算法。故而,需要深入研究单任务单分类算法,改进并扩展出多任务单分类算法。在本文中,我们提出了一种称为基于字典学习的多任务单分类算法（MTD-OC）。该方法将字典学习加入到多任务单分类算法中。首先,给每个任务一个字典,确保不同任务的字典是独立的,并且尽可能地区分。字典学习包含三个项,l_2,1-范数约束项、字典不连贯项和稀疏编码提取项。l_2,1-范数约束项提高表示准确性,字典不连贯项促进任务间数据表示不连贯,投影矩阵提取项提高编码效率。然后,通过从多个源任务中学习到的迁移知识,来构造目标任务的单分类器。同时,单分类器提高了字典的表示性能,而字典则提高了单分类器的分类性能。在基于字典学习的多任务单分类算法中,优化函数同时优化单分类器和字典学习。为此,我们提出一个迭代框架来求解优化函数,从而获得目标类的分类器。在实验中,先分割三个实际文本数据集,产生多个子数据集,这些子数据集的分布相似。然后通过对比其它单分类器,从而表明,基于字典学习的多任务单分类算法可以通过学习每个任务的字典来构造迁移分类器,从而提高单分类器的准确性。