近年来,科学技术发展越来越快,信息知识的传播也更加广泛,数据挖掘这门技术在各方面得到了推广。数据挖掘为了在大规模的、不确定的数据集中,找出人们事先不知道的,但蕴含意义的知识。离群点检测作为数据挖掘的一个重要组成部分,主要用来找出显著偏离或不满足一般对象行为特征的对象。目前,离群点检测在生活中各领域已经得到了广泛地应用。传统的离群点检测算法在一定程度上只能检测出适用自身算法的异常数据对象,因此均存在一些缺陷,如检测效率低、检测精度差等。本文针对传统的基于密度算法的执行效率较低,并只在一定规模的数据集中有效,遇到大规模数据集时,通常查准率较低,重复计算的步骤过多等问题,从而提出了基于方形邻域和裁剪因子的离群点检测方法。首先,采用方形邻域,吸取网格算法的思想,以扩张的方形邻域代替网格分割,快速地排除聚类点,避免了网格算法的“维灾”问题。其次,为了提高算法的精确度,引入裁剪因子的概念对候选离群点集进行精选。然后,给出了新的局部稀疏指数来评估对象的离群程度。为了验证改进算法的性能,实验选取真实数据集和合成数据集进行仿真,并与传统的离群点检测算法进行比较分析。实验结果表明,改进的算法能有效的识别离群点,并在执行效率上有明显的优势。最后,将改进算法应用到网络入侵检测系统中。分析了KDDCUP99数据的属性、攻击类型和分布,并将入侵数据进行预处理,通过实验说明了算法在入侵检测方面具有良好的应用前景。