异常检测的历史较长，可追溯至1777年的Bernouli评论，在经济、社会、网络等方面都广泛应用，并成为数据挖掘的一个重要领域。在金融领域，异常点并不一定是要忽略、删除的数据，恰恰相反，可能是种新的模式。　　现有的算法整体上可以分为三类:无监督侦测、有监督侦测和半监督的侦测方法。分类的标准主要是数据集有无标签。本文首先对异常检测的相关研究进行综述，接着对现有异常检测的算法进行分类，通过模拟数据进行实验，通过可视化工具来展示各个方法对数据识别的准确率，并对各个方法的准确率、误判率等进行排序，并借助PR图，直观对比。　　针对数据集可能存在多个模式，本文参考Song(2009)方法提出了一种新的组合方法，应用Fergusont(1973)提出的Dirichlet过程混合模型确定每个模式，再对每个模式下的数据应用Platt(2003)提出的Ocsvm挖掘异常点，主要通过Neal(2000)的方法实现Dirichlet过程。同时，将Carlsson(2005)提出的持续同调应用到异常点挖掘，该方法能够识别数据集本身存在的拓扑特征，并可以忽略数据的模式影响。对Carlsson(2005)关于持续同调的可视化描述barcode图刻画出两种距离，并在提出的距离下对数据集进行异常点挖掘。使用Adams(2014)开发的Javaplex实现持续同调。通过与传统方法进行ROC图对比，提出的两种方法在不同的数据模式下效果表现稳定，克服了对数据模式的依赖。