异常检测可视为非平衡分类问题,因此可借助解决该问题的方法来实现异常检测。近年来,对非平衡分类问题的研究在模式识别领域受到了广泛关注,并已取得了显著进展,相关成果已用于垃圾邮件过滤、网络入侵检测、文本检索等各个领域。支持向量机(SVM)作为一种性能优异的分类器,已在众多模式识别问题中获得了印象深刻的效果,并也可用于非平衡分类问题。但由于其本身对非平衡类的脆弱性,直接用它难以奏效。非平衡支持向量机(ASVM)则相对有效地克服了这一不足。其有效性归因于它融合了单类支持向量机对非平衡类的鲁棒性和SVM大间隔的优势,即同时使类间间隔和单类间隔最大化。但这一有效性也部分掩盖了ASVM的不足,即忽视了每类数据内在结构的利用。受到结构化SVM(SSVM)的启发,我们发展出了结构化非平衡支持向量机(StASVM)。它不仅保留了ASVM的优点,同时通过在ASVM目标函数中嵌入类内结构信息,达到了结合更多先验知识,提升分类性能的目的。实验验证了StASVM确实具有比ASVM更优的分类性能。尽管ASVM和StASVM在非平衡分类问题上获得了相对好的分类性能,但其时间效率较低。增量算法能有效地提高时间效率,但高效地解决非平衡分类问题的增量算法仍相对缺乏。我们从降低类间不平衡率出发,将一种简单的增量学习算法拓展应用于当前的类不平衡问题上,并在部分UCI数据集上取得了满意的实验效果。进一步通过结合主动学习策略,我们提出了基于主动学习的增量型非平衡支持向量机(IASVM),其在保证与ASVM相当分类效果的前提下,大大减少了算法的训练时间。