异常检测的目的就是从复杂数据环境中快速准确地检测出待检测数据中不符合正常行为模式产生的异常数据。本文围绕多维多源数据开展了异常与孤立点检测、隐私保护异常检测和数据流异常检测三个方面的数据挖掘理论与算法研究。一方面研究大数据异常检测的方法和策略,另一方面研究异常检测优化方法及并行处理算法,为用户深入分析和理解数据提供技术支撑。本文主要的研究内容如下:一、针对数据集中异常与孤立点问题,研究了K距离、可达距离、局部密度以及多维属性聚类方法。研究并构造了聚类相异度的度量方法,用以刻画簇内和簇间的数据对象聚类在某一簇的相异性程度;并结合局部密度构造了一种新的异常判断因子,能有效防止属于同一个簇且距离较近的数据对象都被选为簇心且将同一个簇强制被拆成了两个簇的严重情况。创新的提出了一种基于多维属性聚类和局部密度的异常检测算法。通过UCI数据集实验,在检测率和准确率评价指标的性能具有显著的优势。二、针对大量类似数据集局部异常检测问题,研究了数据集概要和异常参考数据的生成方法,并研究了数据集概要的参数并行优化方法。创新的提出了局部异常检测的参数自动优化及并行处理的大数据集概要方法。从大量相似数据集概要检测准确度、不同数据集规模的概要效率、不同数量异常种子候选集的概要效率、概要算法的执行时间复杂度的实验分析,体现了概要算法的实用性。三、针对异常检测时需要对隐私保护的问题,分别从数据扰动、数据加密和匿名化三个方面创新的提出了隐私保护异常检测算法。（1）从数据扰动的角度考虑,根据局部密度和聚类相异度,研究并构造了数据扰动的复数因子,创新的提出了基于复数变换数据扰动的隐私保护异常检测算法。（2）从数据同态加密的角度考虑,研究了分布式多源数据集的垂直划分获得局部和全局距离矩阵,并加入扰动矩阵对参与方的数据隐私进行保护,创新的提出了域连通的隐私保护异常检测算法。（3）从匿名化的角度考虑,研究了数据集概要中异常参考数据共享区域并对共享异常参考数据进行匿名化,创新的提出了大数据集局部异常检测的匿名化概要方法。从隐私保护程度、异常检测准确度、异常检测的检测率的实验分析,体现了算法的有效性。四、针对一般维度数据流异常检测的问题,研究了基于滑动窗口和多重验证的数据流异常检测模型。（1）研究了基于角度的局部密度、簇心因子、k邻域距离和、局部增量等因素并构造了增强型角度异常因子。结合均值和标准差异常判决准则,创新的提出了基于增强型角度异常因子的数据流异常检测算法。（2）研究了向量点积均值和局部向量点积密度的计算方法,结合数据流异常度量方式和减少人工干预的因素,提出了基于最大斜率的异常判决准则,并创新的提出了基于局部向量点积密度的数据流异常检测算法。经检测准确率、误判率的对比实验,算法具有显著的优势。五、针对高维数据流异常检测的问题,研究了高维数据流的数据稀疏性问题。根据数据稀疏性和数据分块模型,研究了数据流的L邻域、超立方体密度、超立方体密度直接可达与密度相连等内容,并提出了降低异常检测算法错检率的重叠累加值,创新的提出了基于超立方体密度的高维数据流异常检测算法。经检测准确率、误判率、ROC性能曲线及AUC测量的对比实验分析,算法具有显著的优势且提高了对高维数据流的异常特征动态检测的能力。