当今社会已进入到数据时代,作为数据挖掘的重要分支,近年来,离群点挖掘得到许多学者的广泛关注和研究。离群点挖掘可以帮助人们在大量数据中准确、快速地获取具有显著异常特征的信息,是一种非常有效的数据挖掘方法。目前,国内外专家学者提出了多种离群点挖掘方法,离群点挖掘技术已经成功应用于入侵检测、欺诈检测、医疗健康、生态保护等多个领域。本文针对基于聚类的离群点挖掘算法存在聚类效果不佳、基于密度的离群点挖掘算法近邻参数k设置困难及参数敏感性的问题进行研究,本文的主要研究内容如下。首先,分析了基于密度的聚类算法,对聚类算法中因参数设置与数据集分布无法良好匹配导致聚类结果存在边界点错聚现象和因参数设置过多使聚类结果存在信息掩盖与信息淹没的问题,在DBSCAN算法的基础上,引入重叠聚类的概念。通过对数据对象进行两次有关联的聚类,达到对数据对象进行预处理的目的,并与基于距离的离群点挖掘算法相结合,提出了一种基于重叠关联聚类的离群点挖掘算法。同时,给出了详细的算法描述与算法流程,对算法的正确性和时间复杂度进行了分析。其次,对基于密度的离群点挖掘算法进行了研究,为解决LOF算法近邻参数k预设困难、参数敏感性的问题,给出了最优k值、最优k集合和数据对象局部离群因子的相关定义,在得到若干准离群点后,引入频数度量的思想,通过排频排序的方式再次校对数据对象的离群程度,提出了一种基于最优k频数度量的离群点挖掘算法。同时,对算法进行了详细描述并给出了算法流程图,对算法的正确性和时间复杂度进行了分析。最后,在UCI真实数据集和模拟数据集中,使用本文所提出的两种离群点挖掘方法对数据集进行离群点挖掘,并与其它多种离群点挖掘算法进行对比实验,验证了两种离群点挖掘算法的有效性。