单类分类器是不同于传统模式识别的一种机器学习方法，传统模式识别方法一般需要多个类别的样本(至少两个)，而在有些场合中，几乎无法获取多类的样本，或者获取其样本所需花费的代价非常高，比如：机器故障中我们不可能为了去获得故障样本而让机器特意产生故障；又有些场合的类别样本个数严重不平衡，比如医学上的疾病特征与非疾病特征的比例是严重不平衡的。对于这些问题，都比较适宜采用单类分类方法。本文在分析探讨了三种单类分类方法之后，并侧重对Campbell与Bennett的基于线性规划的新颖性检测方法进行了推广，提出了一个相应的加权方法，并在真实数据集上对这些方法进行比较，该加权方法可以获得更好的分类性能。最后，将单类分类方法应用于计算机的击键登录认证，并且集成到Windows NT系统的登录认证系统，使击键认证趋向实用化。