异常点检测作为数据挖掘的一部分,在金融、电信、商业、医疗、互联网以及工业等领域都有着广泛的应用。异常点检测在大数据时代背景下,是数据挖掘不可或缺的重要内容之一。鉴于异常点检测在数据分析中的重要性,以及其广泛应用,本文提出了一种带有季节调整的鲸鱼算法优化的支持向量回归机算法对单变量时间序列进行异常点检测。首先用季节调整剔除时间序列的周期,对剔除周期后的时间序列采用滑动窗口的办法来划定时间段,采用交叉验证的方法确定最优的时间段的长度。接着通过鲸鱼算法优化的支持向量回归机算法来预测时间序列,最后根据预测值与模型的残差确定置信区间。如果当前的数据落在置信区间内,则该数据被判定为正常值;如果当前的数据落在置信区间之外,则该数据被判定为异常点。本文提出的方法一方面能够很好的避免将时间序列中本来较高的波峰或较低的波谷判定为异常点,另一方面对于时间序列中波动比较明显的异常点的检测也有很好的效果。通过仿真数据、兰州市空气质量指数数据、比利时蒙斯市附近家庭用电数据以及中国北京、上海、天津和重庆四城市肺结核发病率数据共四组数据,将本文提出的方法与常用的几种异常点检测方法在这四组数据上进行了实证研究并进行了比较。从四组数据最终的结果来看,本文提出的方法在异常点检测这个领域有较为理想的效果。