针对冠脉病变检测算法普遍存在的异常截面识别率低、无法排除特殊结构影响等问题，提出了一种基于一类支持向量机(OCSVM)的冠脉病变检测方法，并使用冠脉面重采样和基于最大互信息的特征选择方法提高了算法识别正确率。该方法首先基于梯度通量对冠脉源截面进行三次样条插值重采样，然后构造出截面的多尺度特征，接着使用最大互信息结合冗余度去除进行特征选择，最后使用特征数据训练OCSVM完成冠脉病变检测。实验结果显示，在1128个冠脉截面数据的测试结果中，本算法在完全识别异常截面的情况下对健康截面的识别正确率达到了53.5%，远高于同类型的仅从正面和未标记数据学习的支持向量机(SVM)算法所对应的19.6%；而冠脉截面重采样也使得30个特征数下算法对健康截面的识别正确率由21.7%提高到了53.2%。

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度, 在识别模型建立过程中, 引入一类支持向量机(OC-SVM)算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。 首先获取鸡蛋在10 000～4 000 cm-1范围内的近红外漫反射光谱, 通过主成分分析方法提取光谱数据中的特征信息, 优选了3个主成分作为模型的输入向量, 然后采用OC-SVM区分新鲜蛋和非新鲜蛋。 在模型建立过程中, 对相关参数进行了优化, 试验结果显示在相同条件下, OC-SVM模型识别结果较传统的支持向量机模型好。 最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80%, 传统的支持向量机对新鲜度的识别率为100%, 对非新鲜度的识别率却为0%。 研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的; OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。

针对果品品质检测中内在品质检测的难点,分析了果品软X射线检测的图像特点,根据正常果肉与变质部分的成像差异,提出了基于一类支持向量机分类器和外轮廓检测的软X射线果品品质在线检测算法。算法通过超球面OC-SVM建立分类器,根据果品图像由边缘到果核的环状灰度变化,以正常果肉的相对灰度和相对位置作为训练样本,统计计算得到正常果肉的灰度分布范围;轮廓识别采用坐标变换及曲线求二阶导数,避免了果核位置判断误差造成的误判。实验证明,该算法对于内、外部果肉变质的水果,都有良好的识别效果,识别率达88%以上。