近年来,由于工业、金融、网络安全等领域的现实需求,异常检测受到了越来越多的研究者的关注。异常检测是一种通过数据分析发现不符合正常定义数据的技术。在实际应用过程中,用于异常检测的数据可能是分布式地被传感器网络采集,甚至是时序地被传感器采集到。因此,研究在传感器网络上的分布式在线异常检测算法具有实际意义。基于以上考虑,我们针对分布式环境中两类主要学习问题,即非监督学习和监督学习,分别提出了基于主成分分布式的和基于一类支持向量机的分布式在线异常检测算法。针对非监督学习问题,我们通过研究主成分分析在异常检测中的应用机理,提出了分布式的目标函数,并通过合理近似实现对该目标函数的改造,然后通过在线求解的方式达到在线学习的目的。针对监督学习问题,我们通过研究一类支持向量机的工作机制,提出了分布式的目标函数,并通过随机近似克服了核函数在分布式算法中的一些难点,然后利用随机梯度下降方法对该目标函数实现在线求解。此外,为了确定合适的随机近似维度,我们还提出了稀疏的分布式在线一类支持向量机算法。本文通过对合成数据和真实数据的仿真实验,验证了所提出的算法具有较低误检率的同时能够达到较高的真阳性率。相比于现有的一些异常检测算法,本文中所提出的异常检测算法表现出较好的检测性能。