离群点检测是数据挖掘领域的热点问题之一,在许多应用场景中都扮演着重要角色,如医疗诊断、道路监测、信用卡欺诈、网络入侵和环境监测等领域。现有离群点检测方法主要应用于低维数据场景,但随着维度的不断增长,传统离群点检测方法受到维度的影响,无法有效检测离群点,同时算法效率降低,无法满足用户日益增长的需求。为了检测出多维数据中的离群点,本文对传统离群点检测算法进行了对比分析和总结,选择基于密度的定义,并提出了一种针对多维数据的离群点检测算法DODMD。为了解决多维空间数据稀疏的问题,文中采用空间填充曲线将数据从多维空间映射到低维空间,并根据映射后的数据构建ZH-tree索引结构,以有效管理多维数据。ZH-tree有两个优点:1)其聚类属性可以有效的帮助搜索数据对象的邻居。2)其层次结构可以有效的进行空间剪枝,以过滤掉不可能是邻居的数据。在原有的ZH-tree基础上进行改进,引入微簇的概念,将每个叶子节点看作一个微簇,并以微簇为单位进行计算,达到批量过滤的目的。基于ZH-tree检测多维数据中的离群点,它包括两个阶段:1)在ZH-tree构建完成后,通过一个贪婪的方法保存离群值较大的点,并计算每个点的真实离群值,标记最小的值为LOFmin。2)通过LOFmin过滤掉不可能存在离群点的微簇,如果不能过滤则计算其中点的真实离群值,然后更新结果集,使边界更加紧密。在此基础上,本文设计并实现了多维数据中基于密度的离群点检测原型系统,分别在真实数据集和人工合成数据集上验证了 DODMD算法的准确性和高效性。