异常点检测是数据挖掘领域中一项重要的研究任务,其主要目标是检测数据集中不合群的数据点,从而帮助人们发现反常的行为模式,揭示异常现象。当前异常点检测技术已经在各项生产实践活动中得到了广泛应用,例如欺诈检测、入侵检测、环境监控、基因表达式分析等。根据模型的不同,现有的异常点检测算法大致可分为以下几类：基于统计模型的异常点检测算法、基于邻近度的异常点检测算法、基于子空间的异常点检测算法、基于图论的异常点检测算法,以及基于集成学习的异常点检测算法。本文回顾了上述五类异常点检测算法,分析了它们的不足,提出了两种新的异常点检测算法：(1)经典异常点检测算法存在的问题是边缘数据点的异常度较高,这种效应会模糊正常点和异常点的边界,导致在某些情况下,边缘处的正常数据点被误判为异常点。针对这一问题,提出了基于邻域离散度的异常点检测算法(DON算法)。该算法将数据点所在邻域的离散度作为该数据点的异常度,从而避免边缘数据点的异常度过高。实验结果表明,该算法能够更有效地检测数据集中的异常点,并且算法对参数选择不敏感,性能较为稳定。(2)异常点是数据中的少数类,但许多异常点检测算法却需要计算所有数据点的异常度,然后通过排序才能得知哪些数据点异常度最高,计算量较大。针对这一问题,提出了一种新的基于隔离树的异常点检测算法(EGiTree算法)。该算法能够优先检测出前κ个异常度较高的数据点,无需计算每个数据点的异常度。实验结果表明,该算法在检测效果和性能上比其他算法有一定的优势。