针对支持向量数据描述(SVDD) 单类分类方法运算复杂度高的缺点, 提出一种启发式约减支持向量数据描述(HR-SVDD) 方法. 以启发的方式从原有训练集中筛选出部分样本构成约减训练集, 对约减训练集进行二次规划解算, 得到支持向量和决策边界. 通过不同宽度系数高斯核SVDD特征的讨论, 证明了HR-SVDD 的有效性. 人工数据集和真实数据集上的实验结果表明, HR-SVDD 分类精度与传统支持向量数据描述相当, 但具有更快的运算速度和更小的内存占用.