随着大数据时代的到来,数据挖掘技术成为了当下炙手可热的研究对象,其中离群点挖掘技术作为数据挖掘领域中的重要组成部分,也得到了广泛的关注和探索。离群点挖掘技术依靠其独特的机制和有价值的信息在数据发展智能系统领域中发挥了重要作用。目前,离群点挖掘已广泛应用于欺诈挖掘、医疗诊断、公共安全等领域,国内外专家学者也提出了不少许多离群点挖掘的具体方法。本文针对高维数据集下,离群点挖掘表现出的局限性和不稳定性等问题,提出了改进策略,分别从子空间聚类和离群值挖掘两个方向进行研究,主要分为以下几个方面。首先,针对高维数据集下挖掘效率不高的问题进行改进。在数据预处理阶段进行最优子空间查找,通过维度熵对数据集维度进行初步筛选,过滤掉冗余属性,得到挖掘离群点的优子空间,然后根据互信息能描述维度间的相关性的特点重新刻画了一个衡量子空间聚类优劣的指标,优化聚类子空间的目标函数,得到最优子空间。在离群点挖掘阶段根据去一划分信息熵增量的思想提出熵离群分数作为度量指标,在最优子空间中进行离群点挖掘,提出了一种基于熵增量的最优子空间离群点挖掘算法,并对算法的正确性和复杂性进行了分析。其次,针对当前基于密度的离群点挖掘算法在挖掘阶段存在的局限性,进行深入研究。在利用信息熵查找到最优子空间的前提下,在离群点挖掘阶段,通过维度信息熵确定数据对象的离群属性,定义加权距离对数据对象间的距离进行描述,并给出了加权k距离、反向加权k距离、加权k邻域等相关定义,最后,引入高斯核函数刻画数据对象的邻域核密度,进一步刻画数据对象的离群程度,提出了一种基于信息熵的局部属性加权的离群点挖掘算法,并对算法的正确性和复杂度进行了分析。最后,在UCI真实数据集上对本文提出的两种算法进行了验证,并分别与其它相关的离群点挖掘算法进行了对比实验,验证了算法的有效性。