在给定仅含已知类的训练集下, 新类检测旨在测试过程中检测出不曾出现的未知类别样本. 大部分现有方法仅从全局信息角度进行学习, 致使测试中的新未知类检测率较低. 针对此问题, 本文提出了一种基于核零空间判别局部保持投影的新类检测算法, 能有效提升新类检测性能. 首先, 通过核函数将样本隐式映射到高维特征空间, 在核空间中利用反距离加权机制对样本进行权重赋值, 可保持局部关系且同时降低离群噪声样本的影响; 然后, 利用样本类内零空间使同类样本坍塌为一点, 实现对已知类分布的有效约简; 最后, 在零空间基础上再求得使类间距最大化的投影矩阵, 集成以上计算得到一个判别性变换矩阵以刻画样本的分布信息、描述样本之间的相似性. 该方法能对已知类分布进行有效约简, 以刻画样本潜在结构, 提升已知类与新未知类之间的判别性. 通过11个公开数据集上的相关方法对比, 实验结果验证了所提算法在测试过程中的有效性和鲁棒性, 该算法具有较好的新类检测性能.