在进行数据分析的时候,常常会遇到与整个数据集行为不相符的数据,这些数据被称为异常数据、异常值或者离群值。异常值检测是最基本的数据分析任务之一,用于发现罕见事件、例外情况或与常规条目的某种偏离。异常检测在许多领域里面有着重要的应用,包括但不限于通信、统计、金融欺诈、网络安全、气候异常等等。尽管存在许多用于数值型数据中异常值检测的方法,但是只有少数几种方法可以处理使用分类属性表示的数据。分类型数据用于异常值检测的研究较少,但实际上分类属性构成的数据随处可见,由于分类型数据并不一定是有序的,使得难以在分类型数据上定义相似度度量、计算最近邻居或者计算距离或密度。由于这些问题的存在,导致分类型数据异常检测并不是一个容易的任务。本文对分类型数据异常检测问题进行讨论和研究,提出了两个基于熵的异常检测方法分别为称为ODF(Outlier Detection Forest)算法和基于ODF改进的FASTODT(Fast Outlier Detection Tree)算法。本文首先介绍了传统的根据数据集熵的变化来判断数据异常程度的熵差计算方式,之后提出了传统的熵差计算存在熵差大小受数据量大小影响的问题,并设计了一种改进方法来解决这一问题。接下来本文提出了基于树模型的ODT(Outlier Detection Tree)算法,该算法是ODF算法的组成部分,该算法通过熵差的大小来判断数据中属性的异常程度,然后根据树模型的if-else规则来通过判断数据每一个属性是否为异常来决定数据是否为异常。在这之后,ODF算法利用了对树模型剪枝的方式构建了不同的ODT模型,并将它们组合到一起形成了ODF算法,ODF算法根据多个ODT的异常检测结果进行结合来对数据进行最终的判断。在这之上,本文又对ODF算法进行合并与简化,设计了一个FAST-ODT的算法。此外,本文实现了所提出的算法,并利用模拟实验通过与现有最新方法进行比较来评估这些方法。在分类型数据异常检测问题中,ODF算法可以保证异常检测效果的同时,有着较快的运行速度。而FAST-ODT算法对ODF算法进行进一步的改进,该算法在保证异常检测质量的同时,与最新的算法相比在时间性能的表现上有显著的优势。