正例未标注分类简称PU分类,由于只有正例样本与未标注样本,传统的分类方法在PU分类中往往效果不甚理想。为PU问题构建稳健的分类是非常具有挑战性的,特别是对于负例样本压倒并且含有异常值（错误标记样本）的复杂数据。这种分类情况实际应用中十分常见,例如医疗保健,文本分类和生物信息学。尤其当数据高速发展的今天,如何快速准确的分类并实现在线学习成为当下研究中的热门,本文针对包含异常值的增量型PU分类研究如下:本文将最大化AUC平方损失函数应用到PU分类中,并实现增量学习,称为增量核最大化AUC算法（IKMAUC）。该算法利用高斯核函数将低维空间线性不可分的数据映射到高维空间使其线性可分,通过优化AUC目标函数得到解析解避免了多次迭代的麻烦,并利用分块矩阵求逆公式求解新增样本在高维空间的分布,然后利用ShermanMorrison-Woodbury公式计算模型的权重,加快了运算速度。通过将所提算法与训练集内所有正例与负例标签都已知的理想支持向量机（SVM）算法对比,实现了相近的性能,并与其他四种PU分类算法比较,达到了更好的性能;将不做增量的KMAUC算法与进行增量算法的IKMAUC算法进行时间对比,实验结果表明增量学习的IKMAUC算法大大缩减了运算时间,是处理现实问题的有力工具。但是对于包含异常值（错误标记样本）的数据集,IKMAUC算法存在着分类准确率不理想的问题。为此,本文进一步提出了包含异常值检测的增量核最大化AUC算法（IKMAUC-OD）。该算法针对PU分类存在的异常值问题,提出了包含异常值检测的AUC平方损失函数,运用梯度下降与最小二乘法优化目标函数。实验结果表明,所提算法在有异常值情况下依旧实现了与理想SVM相近的性能,并且可以实现快速增量,在人工数据集以及UCI数据集上取得了显著的效果,是处理现实问题的有力工具。