近些年来,随着互联网和物联网技术的高速发展,极大地便捷了大规模数据的采集,数据的结构趋于复杂,对海量复杂的数据集进行标注非常困难,如何从无标签的复杂数据中挖掘出有价值的信息成为无监督学习的研究重点。聚类分析和异常点检测是无监督学习领域中至关重要的两个研究方向,而且它们的应用十分广泛,如人脸识别、文本分割、图像处理、网络入侵检测和信用欺诈检测等领域,而本文的研究也将围绕这两个方向展开。密度核心这一概念的提出,使得聚类算法在识别多密度层次和复杂形状的数据集时表现出很强的优越性。DCore是基于密度核心的聚类算法中一个最有代表性的算法,然而DCore算法存在不适应密度层次差异较大数据集和参数难以设定的缺点。为了解决上述DCore算法存在的问题,本文提出了一种基于偏度的密度核聚类算法SDC（A skewness-based clustering algorithm with density core）。首先,结合自然邻居搜索算法,利用自然特征值对数据的偏度概念以及数据点的局部密度进行改良,进而构建出数据的紧致度Com,通过设定适当阈值过滤出核心点,然后利用这些核心点构建最小生成树,并通过切除长边形成各个子树来完成核心点的聚类,而剩余点则采用就近原则分配标签。实验证明,本文提出的SDC算法在不需要设置参数的情况下能够较好地处理非球形、复杂流形和密度层次差异较大的数据集。针对局部异常因子算法（LOF算法）无法检测出复杂流形、直线形和多密度层次的数据集中的异常点问题,本文提出一种数据对象偏态分布的基于平均散度差异的异常点检测方法ADD（A average divergence difference-based outlier detection method with skewed distribution of data objects）。首先,本文基于自然邻居理论和数据统计偏度理论提出数据点的分散度概念,根据数据点的分散度的加速变化,进而提出数据点的平均散度差概念,随后通过设定阈值来区分数据点为正常点还是异常点。通过实验证明,本文提出的ADD算法在不需要手动设置邻居个数就可以检测出复杂流形数据集、直线形数据集和密度层次差异较大的数据集中的异常点。