近年来,机器学习技术的发展促进其在众多的现实任务中得以应用,学习系统对环境中未知因素的鲁棒性已成为其核心需求之一。本文关注机器学习中的“未知类”问题,即环境中可能存在学习者未知的类别。学习者不仅无法观测到这些类别的样例,甚至没有意识到它们可能存在。本文对此进行研究,主要取得了以下创新成果:1.提出了一种基于分布判别的未知类学习方法Eulac。该方法通过比较训练数据与环境数据特征分布的差异来判别环境中是否存在未知类,进而进行学习。理论分析与实验结果验证了Eulac方法的有效性。2.提出了一种基于特征探索的未知类学习方法ExML。该方法通过探索环境中的候选特征以提高类别间的可分性以使得在原有特征下难以感知的未知类变得可学习。理论分析与实验结果验证了ExML方法的有效性。3.提出了一种基于学件框架的未知类学习方法RKME-un。该方法通过利用已有学件规约与用户待测数据,对用户数据中未知部分进行判别并复用已有模型进行预测。理论分析与实验结果验证了RKME-un方法的有效性。