异常模式指的是那些与正常的、合法的、或者符合规则的模式不同的模式。这些异常模式,例如与正常组织不同的肿瘤,与合法连接不同的网络攻击,往往需要及时、准确地识别出来以便于接下来采取相应的应对措施。在异常模式识别中,有时有些异常模式类别没有充分的训练样本;有时异常模式类别在分类边界上高度非线性化,分类难度较高;在大数据的时代,数据往往数据量巨大。在这样的背景下,异常模式识别具有极高的难度和极大的现实意义。本文的主要研究内容及贡献如下:1、针对大数据背景下数据量大和异常模式类别在分类边界上高度非线性化的问题,本文使用极限学习机进行异常模式识别。极限学习机训练速度极快,能够用于海量的数据;同时它能够进行非线性回归拟合,能够处理分类边界高度非线性化的异常模式识别问题;此外,还可以利用极限学习机随机分配参数的特性通过反复训练分类器来提升样本不充分的异常模式的识别精度。2、针对有些异常模式没有足够的训练样本、从而造成各类之间训练样本比例失衡的问题,本文通过将多类分类问题转化为多个二分类问题,并改变训练时异常模式之间的样本比例来减小样本比例失衡造成的影响。3、针对多个二分类器中某些分类器的假阳性结果过多的问题,本文提出一种串行分类架构。在为串行的二分类器排序时,假阳性结果越少的极限学习机二分类器位置越靠前,假阳性结果越多的极限学习机二分类器位置越靠后。这样就将假阳性结果的影响最小化,提升了整体的识别能力。4、针对异常模式的类别数量较多时,串行分类架构会造成假阳性结果过多积累的问题,本文提出一种并行分类架构来组合极限学习机二分类器。本文还将上述提出的串行、并行的分类架构分别应用于KDD99、NSL-KDD、KDD08数据集的异常模式识别,来验证本文中提出的方法的有效性,并且与主流的模式识别算法相比较。实验结果表明,本文提出的方法不仅能够解决上述问题,而且与其他主流模式识别算法相比,本文提出的方法还拥有较高的异常模式识别的召回率、精度和准确度。