异常检测问题是现实生活中一类迫切需要解决的问题,其已成为机器学习、深度学习领域的研究热点。异常检测实质是一种类别极不平衡的单类分类问题,目前,关于单类分类方法的研究已呈现出百家争鸣的现象,其中,广受学者青睐的是基于支持向量的方法——一类支持向量机(one-class support vector machine,OCSVM)和支持向量数据描述(support vector data description,SVDD)。该方法主要通过对目标类数据学习,构造一个最优的围绕目标类的边界,达到以高精度识别异常数据的目的。随着该类方法的广泛应用,传统的一类支持向量机算法的弊端逐渐显露。一是算法中使用的核函数及其核参数难以确定,且未有一个通用的确定方法,但是算法的性能很大程度上取决于所使用的核函数及其参数,因此一类支持向量机中核函数及其参数的选择是该算法的一个核心问题。二是算法对于训练集中的离群点或者噪音相当敏感,鲁棒性差。基于上述问题,本文围绕一类支持向量机算法展开研究,主要工作及取得的成果如下:1.将多核学习与一类支持向量机相结合,提出了基于核对齐的多核一类支持向量机。该方法将传统模型中的单核函数替换为多核函数,并以优化核对齐模型的方法计算出各基本核的权重,进而构造所需的线性加权合成核,避免选择最优的核函数及其参数这一难题。仿真实验结果表明,该方法的分类表现优于传统交叉验证选参的方法,并且训练效率明显提高。2.将模糊隶属度引入到多核一类支持向量机中,提出了基于核对齐的模糊多核一类支持向量机。该方法利用训练集中样本的类别确定性不同,为每个样本赋予一个模糊隶属度,降低噪音或离群点对分类边界产生的负面影响;同时使用基于核对齐的多核模型替代单核。在人工数据集和标准数据集上与其他两种算法进行了实验比较,结果表明所提方法具有抗噪性,提高了一类支持向量机的鲁棒性,并且计算效率高。3.基于数据的局部密度,提出了一种新的样本隶属度计算方法。该方法利用核函数衡量样本间的局部相似性大小,并确定样本的局部密度信息,然后依据局部密度赋予样本不同的隶属度。与其他隶属度方法相比,在基于局部密度的隶属度的计算过程中,仅需使用目标数据,这与一类支持向量机的训练集一致。将该隶属度计算方法与模糊多核一类支持向量机模型结合,并在标准数据集上进行了仿真实验,与多核一类支持向量机、加权多核一类支持向量机、基于核对齐的模糊多核一类支持向量机相比,该方法具有更优的抗噪能力。