图像分类旨在判断输入图像所属类别,是计算机视觉四大基本任务之一,单分类（one-class classification）是针对数据集中只包含一种类别样本的分类问题,在实际场景中的应用十分广泛。近年来随着深度学习理论的发展,许多优秀的分类网络被提出用来解决单类分类问题。但在实际应用中,分类器的分类效果常常会受到复杂背景、数据样本集小、目标在图像中的占比小等诸多因素影响,效果还不是很理想,基于深度学习的单分类网络的分类性能还有一定的进步空间。本文围绕上述问题进行了深入研究,主要研究内容和成果包括:（1）构建了一种基于显著性检测的ALOCC（Adversarially Learned One-Class Classifier）单分类算法。对初始图像数据集进行显著性检测操作,处理后的图像将非目标主体的背景或物体过滤掉,只保留有待分类的目标主体,增强了目标显著性,消除了背景特征对分类准确率所产生的干扰现象。实验结果表明,在不改变ALOCC原算法网络结构的基础上,使用本文提出的基于显著性检测的图像单分类算法,分类结果得到了一定程度的提高,在公开数据集Caltech-101、Caltech-256上进行验证,和原ALOCC算法的实验结果相比,AUC、F1分数数值都有了一定程度的提高。（2）构建了一种基于双对抗网络的ALOCC单分类算法。在原有的ALOCC网络结构的基础上,结合AAE（Adversarial Auto Encoders）网络,形成一个包含两个对抗机制的网络结构进行训练,使得算法对训练数据集中特征的提取更合理准确。在原网络中损失函数的基础上添加了编码向量和给定向量的均方差损失,改善了算法在处理不同样本时权重不平衡的问题。使用本文构建的图像单分类算法在公开数据集MNIST、Fashion-MNIST和Caltech-256上进行验证,与原ALOCC算法的结果进行对比,分类效果有了明显的提升。与近几年的单分类算法相比,综合性能有了一定的提高。