极限学习机（Extreme Learning Machine,ELM）具有学习速度快和泛化性能较强的优点,它被广泛应用于分类问题的研究中。由于连接权重的随机初始化,ELM的网络输出往往不够稳定。与ELM相同,单类极限学习机（One-Class ELM,OCELM）同样具有输出稳定性较差的缺点。由于能够加强模型的稳定性和泛化性能,集成学习一直被认为是机器学习领域中一个重要的研究分支。为了提高OCELM的输出稳定性和泛化能力,利用集成策略将多个OCELM组合在一起,构造OCELM集成模型。本文的主要工作如下:1.提出了一种基于旋转变换的OCELM选择性集成方法。构造所提方法需要两个阶段:首先利用基于主成分分析的旋转变换构造多个新的训练样本子集,利用这些新的训练样本子集分别学习相应的个体OCELM;然后使用基于夹角余弦的多样性度量计算集成模型中每个OCELM的多样性,剔除多样性较低的OCELM。对于待测样本,采用投票法将其分类为正常或异常数据。通过在基准数据集上与相关方法进行比较,验证了所提集成方法的有效性。2.提出了一种基于堆叠稀疏自编码器的OCELM集成方法。为了使自编码器取得更为稀疏的特征表示,在自编码器的目标函数中增加基于Transformed-l1和l21范数的正则化项,构造稀疏自编码器,并在其基础之上,进一步构造堆叠稀疏自编码器,以提高稀疏自编码器的特征表达能力。此外,为了充分利用堆叠自编码器中各个瓶颈层中的特征信息,分别利用各个瓶颈层的特征学习相应的OCELM,构造OCELM集成模型。在基准数据集上将所提集成方法与相关方法进行了实验比较,实验结果表明所提集成方法具有更优的分类性能。