随着信息技术的蓬勃发展和数据存储成本的降低,在宏观经济、故障诊断、机器学习等领域,人们期望从繁复无章的海量数据中挖掘出更多的相关关系,发挥大数据的预测功能。因完善的理论基础和明确的数学模型,以支持向量机为代表的传统机器学习理论持续引起专家学者的关注。但是数据维度的激增,支持向量机表现出严重过拟合的致命缺陷。为了提高高维小样本数据的处理能力,支持张量机模型应运而生。支持张量机能有效保持输入数据的结构化信息,充分挖掘原始数据间的相关关系;再者,极大程度地降低优化问题中变量参数个数,避免基于向量数据分类器模型中常见的过拟合风险。但是,基于张量理论分类器的研究多集中在多分类领域,对单分类问题的研究较少。在现实情况下,不可避免会遇到敌我识别和异类提取的工况,对基于张量数据的单分类模型展开深入研究是非常必要的。本文深入讨论支持张量机模型的优势和缺陷,针对单分类问题提出了一种新的单分类支持张量机模型——非线性支持高阶单分类张量机模型(Nonlinear Oneclass Support Higher-order Tensor Machine,OCSHTM),并将其应用于人脸识别和滚动轴承异类识别领域。本文主要的研究内容如下:(1)详细研究典型的支持张量机模型的理论和特点,着重讨论单分类支持张量机的优缺点,针对已有模型求解容易陷入局部最优解和模型参数过多易引起过拟合风险的缺陷,提出了非线性支持高阶单分类张量机模型。在公开数据集上进行多种数值实验,体现出OCSHTM模型的有效性和优越性。(2)将OCSHTM模型应用于人脸灰度图的数据处理和模式识别。在二阶张量数据集上,OCSHTM模型能有效地处理高维小样本数据,具有良好模型性能的同时,建立最优分类超平面,实现敌我识别。(3)将OCSHTM模型应用滚动轴承的故障诊断和异类识别,首次将单分类支持张量机应用于旋转机械的故障诊断领域。OCSHTM算法能基于少量正常轴承振动信号建立故障诊断模型,保证分类器性能的情况下,有效地完成滚动轴承异类识别。在原始信号中分别混入不同程度的环境噪声和振动异响,OCSHTM算法仍能保持较高的识别率,体现出OCSHTM模型具有良好的鲁棒性特点。