Las redes neuronales profundas basadas en autoencoders pueden extraer de manera efectiva características abstractas de alto nivel con un rendimiento de generalización sobresaliente pero sufren de la escasez de características extraídas, poca robustez, entrenamiento codicioso de cada capa y falta de optimización global. En este estudio, se mejora el sistema de aprendizaje amplio (BLS) para obtener un nuevo modelo de reconstrucción de datos. La Descripción de Dominio de Vector de Soporte (SVDD) es uno de los métodos de clasificación de una sola clase más conocidos utilizados para resolver problemas donde la proporción de categorías de muestra de datos es extremadamente desequilibrada. El SVDD es sensible a los parámetros de penalización C, que representan el equilibrio entre el volumen de la esfera y el número de datos objetivo fuera de la esfera. El proceso de entrenamiento solo considera muestras normales, lo que lleva a una baja tasa de recuperación y un débil rendimiento de generalización. Para abordar estos problemas, proponemos un algoritmo SVDD basado en BLS con pesos (BLSW_SVDD), que introduce pesos de error de reconstrucción y un pequeño número de muestras anómalas al entrenar el modelo SVDD, mejorando así la robustez del modelo. Para evaluar el rendimiento del modelo BLSW_SVDD, se realizaron experimentos de comparación en el conjunto de datos de UCI, y los resultados experimentales mostraron que en términos de precisión y valores F1, el algoritmo tiene mejores ventajas de rendimiento que los algoritmos SVDD tradicionales y mejorados.