离群点检测是数据挖掘领域的一个重要研究方向,其目的是找出数据集中行为显著不同于其他数据对象的数据对象。离群点检测在入侵检测、信用卡欺诈、医学诊断等领域都具有重要的研究和应用价值。近年来,离群点检测方面的研究受到广泛关注。很多学者提出了一系列的离群点检测方法,然而很多现有的方法没有考虑到数据的不确定性与不完备性。因此,粗糙集的理论被广泛用于离群点检测。但是,经典的粗糙集方法在处理数值型和混合型数据集时需要对其中的数值型数据进行离散化处理,而离散化过程面临信息丢失的问题,容易导致离群点检测的性能下降。目前,如何解决这些问题成为该领域的研究热点。本文首先介绍了主要的离群点检测算法并讨论了邻域粗糙集的基本概念。其次,为了解决现有的基于粗糙集的离群点检测方法不能有效处理数值型数据集和混合型数据集的问题,提出了一个邻域粒度熵模型,并提出了一种基于邻域粒度熵的离群点检测算法,该算法能够同时从数值型数据集和混合型数据集中有效地检测出离群点。第三,提出了邻域粒度区分指数,并将邻域粒度区分指数与基于距离的离群点检测方法结合在一起。能够同时解决基于粗糙集的离群点检测方法不能有效处理数值型和混合型数据集的问题,以及基于距离的离群点检测方法不能有效处理符号型和混合型数据集的问题。本文的主要工作可以归纳如下:（1）邻域粒度熵模型本文提出了一种新的信息熵模型——邻域粒度熵,邻域粒度熵提供了一种更加全面的不确定性度量机制,它将邻域信息熵和邻域知识粒度这两个概念融合在一起,其中前者可以刻画邻域知识的完备性,而后者则可以刻画邻域知识的粒度大小。（2）基于邻域粒度熵的离群点检测算法针对传统的基于粗糙集的离群点检测算法不能有效处理数值型和混合型数据集的问题,本文采用了基于邻域粗糙集的离群点检测方法,并将邻域粒度熵引入到基于邻域粗糙集的离群点检测算法中,提出了一种基于邻域粒度熵的离群点检测算法（OD＿NGE）。通过邻域粒度熵计算每个数据对象的离群因子,能够从数值型和混合型数据集中有效地检测出离群点。并在公开数据集上与其他多种算法进行比较,证明了该算法的有效性。（3）邻域粒度区分指数本文提出了一种新的基于邻域关系的信息判别度量,称为邻域粒度区分指数。邻域粒度区分指数具有与香农熵相似的性质,然而,它直接定义在邻域关系上,通过计算邻域关系的势而不是邻域相似类来获得,更加高效快捷。同时,因为结合了邻域粒度的概念,能够有效地度量特征子集的区分能力。（4）基于邻域粒度区分指数与距离的离群点检测算法针对传统的基于距离的离群点检测算法不能有效处理符号型和混合型数据集,而基于经典粗糙集的离群点检测算法不能有效处理数值型数据和混合型数据的问题,将邻域粒度区分指数引入到基于距离的离群点检测算法中,提出了一种基于邻域粒度区分指数与距离的离群点检测算法（OD＿NGDID）。能够从数值型、符号型和混合型数据集中有效地检测出离群点。并在公开数据集上与其他多种算法进行比较,证明了该算法的有效性。