传统基于划分分类的模式识别方法一般需要多个类别的训练样本,用来设计两类和多类分类器,然而在许多实际应用中存在一类分类问题。由于仅有一类样本可资利用,一类分类器设计必须通过对目标类样本的学习,形成目标类的合理覆盖模型进行识别。到目前为止,一类分类器研究已经比较深入,但对于高维空间非规则复杂分布的一类分类问题仍然难以取得较好的效果。本文在研究国内外最新研究成果基础上,针对高维空间目标类合理覆盖模型构造展开研究。首先,为了提高模型对数据的描述能力,研究了高维空间一类数据稀疏距离测度学习算法。学习的距离测度能容易的嵌入一类分类器中,有效改善一类分类器的描述性能,增强其推广能力。其次,研究了基于高维空间稀疏最小生成树覆盖模型的一类分类算法。该算法首先构建目标类的稀疏k近邻图表示,通过递归图分割算法发现数据分布的微聚类,再以微聚类中心为图节点构建目标类最小生成树覆盖模型。实验结果证实了该方法的有效性。再次,针对最小生成树数据描述方法分支多,局部覆盖不够合理的问题,研究了基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法。该算法首先对目标类训练集进行样本修剪,然后对保留的典型样本构建Steiner最小树覆盖模型。实验结果证实该方法表现出良好的性能。最后,为了构建目标类紧致覆盖模型,研究了基于目标类训练样本凸壳数据描述的一类分类算法。该模型无须参数设置,可实现对样本非规则复杂分布的自适应覆盖,并可通过核函数方法获得较强的非线性分类能力。实验结果证实了该方法的有效性。