Argo剖面浮标是目前唯一实时获取全球上层海洋三维观测数据的手段,其观测的数据反映了海洋立体温盐分布的情况,对研究海洋环流、全球气候变化、海洋分析预报系统提供了数据基础,具有极其重要的应用意义与科学价值。本文以Argo剖面浮标数据作为海洋大数据信息安全研究的切入点,针对Argo剖面浮标数据受环境、设备等不确定因素的影响导致数据出现异常的问题,结合Argo剖面浮标数据具有数据量大、地域性、非线性分布、离散等特点,开展了Argo剖面浮标数据异常检测方法的深入研究,为提高Argo剖面浮标数据准确性、可靠性提供理论依据和技术手段。本文针对异常检测的训练阶段与异常检测阶段分别展开分析与研究。首先,在训练阶段,针对Argo剖面浮标数据文件格式复杂、数据量庞大的问题,提出基于MapReduce技术的Argo主剖面生成的AMPC(information fusion algorithm for Argo profile base on MapReduce and Principal Curves)算法。该算法采用MapReduce技术有效地提高执行效率,另外,将剖面信息以经纬度进行分类,增强剖面间关联性,凸显剖面地域特点,并在K-主曲线理论的基础上,使用不断添加拟合剖面点的方式生成主剖面,减少异常检测阶段的数据存储量,为剖面可能存在的点异常、上下文异常、集合异常提供参考依据。其次,在异常检测阶段,汲取基于“三倍标准差”准则异常检测方法与基于预测模型异常检测方法的优点,改进设计一种结合分段“三倍标准差”准则和k-近邻子剖面与主曲线预测方法的基于自适应异常阈值的异常检测方法。该方法以训练阶段生成的主剖面作为参考,综合当前待测剖面点对主剖面的偏离情况与剖面随深度变化的趋势给异常检测带来的影响,动态计算各剖面点的异常阈值,进一步提高异常检测方法的性能与检测效果。验证试验表明:通过全球Argo剖面浮标数据的验证,本文研究的针对Argo剖面浮标数据特点的异常检测方法高效地结合历史剖面数据,有效地规避静态阈值检测的片面性,具有良好的异常检测效果,异常检测的准确度得到明显提高。