توصیف گر داده مبتنی بر بردار پشتیبان (svdd)، یکطبقه بندبا ناظرتک کلاسهاست. هدف این طبقه بندمرزی، بهینه کردن حجم دایره (ابرکره) اطراف مجموعه هدف خطی یا غیرخطی می باشد. حداقل پیچیدگی زمانیاینگونه طبقه بندها، است؛ در نتیجه با افزایش تعداد نمونه ها، مسئله برای مجموعه داده های حجیم کارایی خود را از دست می دهد. هدف اصلی این پایان نامه، توسعه svdd، به منظور ایجاد امکان استفاده از آن در کاربردهای حجیم وافزایش سرعت بدون کاهش کارایی یادگیری در توصیف داده ها است. این هدف، با بهره گیری از روش های تلفیق طبقه بندها به منظور افزایش سرعت یادگیری و کاهش نسبی میزان خطا در توصیف داده ها برآورده شده است؛که نتیجه ی آن تلفیق طبقه بندها با وزن دهی مبتنی بر کارایی آن ها می باشد. در بند اول روش پیشنهادی،طبقه بند svdd،ابتدا با روش adaboostترکیب گردیدهو سپس در بند دوم،ضرایب لاگرانژ طبقه بند svdd، با استفاده از روش تخمین مبتنی بر بیشینه کردن امیدریاضی(em)، محاسبه شدهاست که نتیجه ی آندو نوع طبقه بند ترکیبی همگرااست. دو روش پیشنهادیاز نظر سرعت و دقت با سایر الگوریتم های تک کلاسه svdd مبتنی بر کرنل از جمله fsvdd و طبقه بند افزایشی (inc-svdd)و جعبه ابزار libsvm-svddبر روی مجموعه داده های استاندارد uciو مجموعه داده idsآزمایش و مقایسه شده اند. نتایج حاصل، برتری روش های پیشنهادی را از نظرکارایی و سرعت در مرحله آموزش و تستنشان می دهد.