随着科技的进步和技术不断的更新迭代,互联网中也充斥着种类繁多、数目巨大的数据,如何分析处理网络中杂乱无章的数据并获取相关有价值的信息是当今的重要研究内容。近年来,异常检测已经成为许多学者重点关注的一个研究问题,在异常检测领域中,针对不平衡数据的识别检测是当中的一个研究热点。不平衡数据指的是在异常检测中,数据集之间的样本比例相差大,正类样本数量远超负类样本的数量。如果面对不平衡数据集不采取相关处理措施而直接进行异常检测,那么检测的结果将会变得不可靠,从而导致检测模型的失效。本文针对异常检测中的不平衡数据集问题,采用聚类与过采样技术结合的方法进行处理。先通过K均值聚类算法对少数类进行聚类,从而得到少数类区域的范围,再利用合成少数类过采样技术对少数类进行过采样从而增添少数类样本使数据集的样本达到平衡。在此基础上,本文针对K均值聚类算法与合成少数类过采样技术的问题提出了不同的改进策略,主要的工作如下:（1）提出一种基于果蝇优化算法的聚类改进算法BFOA-K。该算法针对K均值聚类算法在聚类过程中对聚类中心敏感和容易陷入局部最优问题,依赖果蝇优化算法杰出的果蝇个体,易寻找最优值的优点,提升K均值聚类算法的聚类效果。利用F分布策略避免聚类过程中过早陷入局部最优,同时采用精英种群策略提升果蝇的寻优能力,有效改善了K均值聚类算法对初始聚类中心敏感的问题。（2）提出一种改进聚类算法和合成少数类过采样技术结合的异常检测算法BFOA-KSMOTE。为解决异常检测中样本不平衡问题,使用K均值聚类算法和合成少数类过采样技术生成新的少数类样本以平衡数据集。针对合成少数类过采样技术对边缘样本分布敏感,导致生成样本质量不高的问题,使用改进后的K均值聚类算法先对少数类进行聚类,同时采用异常容忍度策略剔除边缘样本,消除边缘样本的影响以更好的选择过采样的原始样本。（3）验证本文提出的算法在针对异常数据与正常数据不平衡问题的有效性。采用多个数据集对提出的两个改进算法进行仿真实验,以多重标准验证了改进聚类算法和改进过采样算法的有效性。