随着大数据时代的来临,需要进行挖掘的数据的类型越发多元化,向量不再是数据挖掘中唯一的数据类型。指纹识别,人脸识别,文本分类等问题都需要处理张量数据而不是向量数据。传统的处理张量数据的方法是将张量数据转化为向量再使用向量型的算法进行处理。但是这种方法忽略了张量本身的结构性,而且直接由张量转化得到的向量通常维度很高,直接使用向量型算法计算需要耗费很长的时间。因此研究可以高效利张量数据的张量型算法非常必要。一类支持向量机(OC-SVM)是一种基于支持向量机(SVM)的算法,与支持向量机不同的是它主要应用于异常检测问题而不是分类问题。本文将研究利用张量分解和张量核函数建立一类支持张量机模型,已经有研究表明利用张量分解和张量核函数的支持张量机(STM)可以提高分类精度并且减少训练使用的时间。从理论上来说,使用CP分解可以降低张量的维度,因此可以减少训练使用的时间;使用张量核函数可以有利用到张量自身的结构信息,因此可以提高精确度。从理论和过去的实验结果分析来看,使用CP分解和张量核函数的方法应该也能提高其他应用在张量数据上的基于支持向量机的模型的精度。最后将使用二阶张量数据库Yale-B、ORL、CMU PIE和三阶张量数据库USF HumanID进行实验。实验将会展示一类支持张量机的精度和训练时间,并和一类支持向量机的结果作对比。