作为数据挖掘领域的热门问题之一,离群点检测（也称为离群点挖掘）是从原始数据集分布中发现显示异常行为的对象,它可用于人群异常行为检测,信用欺诈,入侵检测,医疗保健和物联网（IoT）大数据离群点检测等。关于离群点检测,两个主要挑战是数据的维度和规模。使用集中式的检测方法,必然面对数据的“维度诅咒”,另外随着数据尺度的增加,单一节点的计算在运行时间上也是难以忍受的。本文研究的重点也立足于解决离群点检测中数据的高维和大尺度问题,并在其中对分布式离群点检测方法的性能评价和单分类离群点检测技术进行了研究。特别针对数个基于邻近性的离群点检测方法（属于无监督学习）,提出了结合降维技术的分布式模型;对基于单分类支持向量机的离群点检测（属于半监督学习）,提出了结合降维技术的复合检测模型。具体来说,本论文从以下四个方面对分布式的离群点检测问题展开了研究:（1）针对基于邻近性的分布式离群点检测问题,本文提出了“推广方差”这一统计学新概念和“网格聚集度”作为算法性能量化的评价,并证明了“推广方差”的数学性质。基于邻近性的分布式算法具体的做法是在数据空间上划分网格,并采用分配算法将各网格中的的数据对象分配给性能各异的数据节点。通过分析得出:对基于邻近性的分布式离群点检测算法,“推广方差”和“网格聚集度”可对数据分配的均衡性和模型产生的网络负载做出客观评价。（2）针对基于邻近性的离群点检测问题中数据尺度增加带来的高运算时长问题,本文设计出一种可以在性能各异的集群中进行布置的数据分配算法,并分别对基于邻近性方法中两种典型方法（基于密度和基于距离）分别设计了计算模型。两种模型均可用多台性能各异的计算机来加速离群值计算,因此更具有灵活性。最后通过实验验证了该模型的有效性和可靠性。（3）本文结合降维技术以及分布式技术与本地离群概率（LoOP）方法提出了基于堆栈自动编码器的分布式模型,有效应对了数据维度问题以及数据尺度问题。对于数据处理中的普遍问题“维度诅咒”在基于邻近性的离群点检测问题中也是同样存在的,因此对数据做降维预处理是当前研究的一个重点。本文通过实验表明使用堆栈自动编码器（SAE）能够很好捕捉到原始数据的特征,在提升了检测算法时间效率的基础上,其检测算法的AUC值以及Recall都是可以接受的,甚至在某些数据集中,由于SAE降维去掉了数据的冗余信息,在AUC以及Recall的表现有了提高。（4）本文提出了一种半监督的混合模型。模型由两部分组成,其中训练无监督的SAE以提取通用的基础特征,然后对训练集进行随机采样得到多个子集,每个子集用于训练一个单分类支持向量机（one-class support vector machines:OC-SVM）作为离群点检测器,最后得出综合判定结果。由于本文将每个离群值检测器布置在不同的数据节点上,因此这个过程减少了计算量。最后将测试集输入各离群值检测器,得到联合判定结果。实验结果表明,与最新的基准相比,本文提出的模型在使用堆栈自动编码器的情况下具有良好的离群点检测性能,同时减少了训练和测试时间。