在一些应用场景下异常的偏离大多数数据的数据（异常点）被认为是有价值的信息,这些数据可以提供重要的价值,比如异常点检测技术已经广泛地应用在金融欺诈、医学辅助筛查、网络入侵检测等领域。传统的异常点检测算法存在两个比较大的问题:第一就是需要输入过多参数的问题,第二就是top-n问题,即给定数据集必须事先确定异常点个数,但是在实际数据集的异常点检测时并不能事先知道异常点的个数。针对上述现存的两个问题,本文主要研究数据的无参异常点检测算法,研究了两种异常点异常度—即引质方比和标准差值边界度以及两种无参的数据异常点检测算法。第一种无参异常点检测算法是基于引质方比（异常度因子）提取核心点,该算法首先使用自然邻算法自动确定数据集的k值,提取所有引质方比小于数据引质方比均值的数据点作为核心点,然后基于自然邻和深度优先搜索对所提取出的核心点进行聚类,把所有数据点数目小于k的聚类中的数据点设置为非核心点,最后利用逆近邻分配非核心点,确定一个数据点是不是异常点的标准就是它的逆近邻是否是核心点,经过不断的迭代,最终剩下的非核心点就是异常点,而获得的所有异常点的引质方比作为该异常点的异常度因子。第二种无参异常点检测算法是基于标准差值边界度（异常度因子）提取核心点,该算法处理模式和以上算法类似,区别在于提取核心点的方法:把所有标准差值边界度小于所有数据标准差值边界度均值的数据点作为核心点,同时异常点的异常度因子由最后得到的异常点的标准差值边界度确定。论文中采用自然邻算法解决了现有的异常点检测算法输入参数过多的问题,用引质方比和标准差值边界度提取核心点以及逆近邻较好地解决了现有异常点检测算法的top-n问题。通过在人工数据集、真实数据集上的实验与另外七种不同异常点检测算法比较,结果表明本文提出的两种无参异常点检测算法在检测准确度F-measure和AUC指标上都优于所比较的异常点检测算法,从而说明本论文改进得到的基于自然邻的无参异常点检测算法是行之有效的。