传统的否定选择算法无法有效识别落入到低维子空间的样本，导致算法在高维空间检测性能不佳。为此，提出了面向子空间的否定选择算法（subspace-orientednegativeselectionalgorithm，SONSA）。在训练常规检测器的基础上，SONSA将搜索样本分布密度较高的低维子空间以进一步训练面向子空间的检测器，从而提高算法对低维子空间内样本的识别能力。实验结果表明，在标准数据集Haberman’sSurvival（三维）与BreastCancerWisconsin（九维）上，相对于经典的V-Detector算法以及采用PCA降维的V-Detector算法，SONSA能在误报率相似的情况下显著地提高检测率。