离群点检测作为数据挖掘的主要研究方向,已得到学术界和工业界的广泛研究和应用。对于许多工程实际问题,数据集往往同时包含数值型和分类型属性,即,混合属性数据集,因此,对混合属性数据集中的离群点进行检测和研究具有重要的理论意义和实际应用价值。近年来,基于网络模型的离群点检测方法因其鲁棒的表达能力和能够捕捉数据对象之间的相互依赖性和长期相关性而广受关注。但该类方法大多用来处理数值型属性数据集,少有涉及混合属性数据集;且在网络模型构建中邻域参数的存在仍是一个值得研究的问题。基于此,本文提出两种基于网络模型的混合属性数据集离群点检测方法,具体研究内容如下:（1）提出一种基于加权邻域信息网络的混合属性数据集离群点检测方法。首先基于混合欧氏重叠度量方法和邻域信息系统获取混合属性数据集中数据对象之间的邻居关系;然后,基于数据对象之间的邻居关系和关系的亲密程度构建加权邻域信息网络;接着,根据数据对象之间的相似度与边存在性规则确定状态转移概率矩阵从而执行随机游走过程,当其达到稳定状态后,结合稳态分布向量值和网络中节点的出度制定度量数据对象离群程度的指标;最后,在Hayes-Roth和Lymphography数据集上进行实验,通过结果分析和方法对比验证所提方法的适用性和有效性。（2）提出一种基于加权有向网络的混合属性数据集无参数的离群点检测方法。首先,设计混合属性数据对象自然最近邻居的自动搜索算法,这一过程无邻域参数且完全基于数据对象在数据集中的分布特性;然后,基于数据对象之间的邻居关系和距离构建加权有向自然最近邻居网络,引入“Ground”节点（表示为xg）和2n条虚拟边以形成强连通的全局加权有向网络来避免孤立节点;接着,执行随机游走过程,当其达到稳定状态后,考虑xg节点对数据对象离群程度的影响,结合稳态分布向量值构建离群得分实现离群点检测;最后,在Zoo、Glass Identification和Balance Scale数据集上进行实验,通过结果分析和方法对比验证所提方法的适用性和有效性。（3）分别以仓储系统和风力发电机组为研究对象对以上两种方法进行案例验证。将仓储系统异常运行状态的识别和风力发电机组性能退化的评估建模为一类数据驱动的离群点检测问题,分别基于加权邻域信息网络的混合属性数据集离群点检测方法和基于加权有向网络的混合属性数据集无参数的离群点检测方法对其展开研究,通过与现有研究结果的对比分析,进一步验证所提两种方法的适用性和有效性。本文将近邻思想与网络模型相结合,利用改进的相似性度量方法,实现基于网络模型的混合属性数据集离群点检测,并继承网络模型强的可解释性和鲁棒性。考虑到邻域参数的取值对离群点检测结果的影响,引入自然最近邻居思想,实现基于加权有向网络的混合属性数据集无参数的离群点检测,减少该类方法对标签数据的依赖性,增强其解决工程实际问题的能力。通过两个不同的应用场景,进一步说明所提两种方法的适用性和有效性。该论文有图36幅,表29个,参考文献124篇。