通過對正常樣本學習獲得數(shù)據(jù)特征屬性的過程稱為異常檢測，屬于一類分類問題。在許多應用領(lǐng)域，如假幣識別、醫(yī)療診斷、機器故障診斷、生物發(fā)酵過程異常監(jiān)測、通信領(lǐng)域輻射源個體識別等。由于獲得異常數(shù)據(jù)的可能性小，且獲取過程需要花費大量的人力和物力，故異常檢測在近幾十年里得到了廣泛關(guān)注。一種是利用超球面實現(xiàn)異常檢測，如支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）和小球體大間隔（Small Sphere and Large Margin，SSLM），它們可以捕捉數(shù)據(jù)的全局結(jié)構(gòu)但不能用于多分布的數(shù)據(jù)集。為此，Xiao等提出多球支持向量數(shù)據(jù)描述（Multi-Sphere　SVDD．MS-SVDD），不但捕捉數(shù)據(jù)的全局結(jié)構(gòu)，也能應用于含多個不同分布的數(shù)據(jù)中。另外一種是利用超平面將正常樣本與異常樣本分離開，如一類支持向量機（ One-Class SVM，OCSVM），而為了適應大樣本學習，Tsang等利用L2范數(shù)改進了OCSVM，提出一類12支持向量機（One-Class L2-SVM，OCSVML2）。但是，像其他統(tǒng)計學習方法一樣，SVDD．SSLM、MS-SVDD、OCSVM和OCSVML2、Kemel PCA（ Kemel　Principal Component Analysis）在建模學習時，僅考慮到數(shù)據(jù)的全局幾何結(jié)構(gòu)，而忽略了數(shù)據(jù)的局部幾何結(jié)構(gòu)，導致隱藏在局部結(jié)構(gòu)中的信息丟失。近年來，局部加權(quán)方法已成功應用于多種統(tǒng)計學習方法中，應用表明局部加權(quán)方法可以有效捕捉數(shù)據(jù)的局部結(jié)構(gòu)。為此，本文將局部加權(quán)引入到一類SVDD中，并通過局部分塊和局部樣本數(shù)據(jù)重構(gòu)，提出局部分塊的一類SVDD（ One-Class SVDD based on Local Patch．OCSVDDcp）異常檢測方法。