随着信息化时代的到来,无论是数据产生的渠道和方式,还是数据本身的大小、维度和类型都变得越来越多样化,这使得数据挖掘的发展更具有挑战性。离群检测和聚类分析作为数据挖掘中两个热门研究课题,它们对算法能够更有效地处理各种复杂形状数据集的要求也越来越高。本文针对现有离群检测和聚类算法存在的问题进行深入研究。受数学理论中向量点积在判断两个单位向量相似程度和方向分布作用的启发,本文提出指向数据点邻域分布最密集区域的密集方向（Dense Direction）的概念。将算法研究对象从一个数据点转移到一个区域,更加全面地探究数据点及其邻域内点分布的关联关系。基于密集方向概念,本文提出一种新的点加权策略。通过研究不同类型数据点密集方向所指区域的点分布差异,赋予每个数据点一个表示其邻域点分布情况的点权重。结合自然邻居概念,本文提出一种新的边加权策略。通过赋予每个数据点和其邻居之间一个表示二者紧密程度的边权重。本文将两种策略相结合提出一种双重加权方法,实现二者优势互补,解决了现有离群检测和聚类算法采用单一加权方法无法全面表征数据内部潜在结构信息的问题。针对已有离群检测算法无法检测出线形、复杂流形和多密度层次数据集中离群点的问题,本文提出一种考虑密集方向的双重加权离群检测算法DDW（A Double-weighted Outlier Detection Algorithm considering Dense Direction）。DDW在双重加权思想的理论基础上建立了双权离群度的概念,可以更准确地衡量数据点的离群程度。它既消除了算法对邻居参数敏感的缺陷,也提高了局部离群点检测的准确率。针对已有聚类算法在参数多且难以设置和无法处理密度差异较大数据集方面的问题,本文提出一种考虑密集方向的双重加权最小生成树聚类算法DDMST（A Double-weighted Minimum Spanning Tree Clustering Algorithm considering Dense Direction）。DDMST在双重加权思想的理论基础上建立了双权局部密度的概念,可以更准确地表征数据点邻域密度分布情况。引入最小生成树（MST）聚类思想进行核心点聚类和剩余点分配,解决了现有聚类算法对邻居参数敏感且难以应对复杂形状和多密度层次数据集的问题。