多核学习（MKL）方法在分类及回归任务中均取得了优于单核学习方法的性能，但传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类（OCC）问题，提出了基于中心核对齐（CKA）的单类支持向量机（OCSVM）。首先利用CKA计算每个核矩阵的权重，然后将所得权重用作线性组合系数，进而将不同类型的核函数加以线性组合以构造组合核函数，最后将组合核函数引入到传统OCSVM中代替单个核函数。该方法既能避免核函数的选取问题，又能提高泛化性能和抗噪声能力。在20个UCI基准数据集上与其他五种相关方法进行了实验比较，结果表明该方法在13个数据集上的几何均值（g-mean）均高于其他对比方法，而传统的单核OCSVM仅在2个数据集上的效果较好，局部多核单类支持向量机（LMKOCSVM）和基于核目标对齐的多核单类支持向量机（KTA-MKOCSVM）在5个数据集上的分类效果较好。因此，通过实验比较充分验证了所提方法的有效性。
