离群点挖掘是数据处理的重要组成部分,它包括离群点检测以及分析两个方面。检测并分析离群点,挖掘离群背后的内涵知识具有重要研究意义。离群点检测方法目前大致分为基于统计、基于距离、基于密度以及基于聚类的方法,其中对基于聚类的方法研究较少。聚类方法的核心是将数据集中的数据赋予标签,很多聚类算法在聚类过程中会产生小簇,这种小簇可以称为离群簇,换句话说,执行聚类算法的过程就是在进行离群点检测。离群点是聚类的副产品,所以基于聚类的离群点检测方法相比于其他方法更加简便高效,对其进行研究很有意义。另外,在数据集中发现离群点是离群检测的中间过程,对检测出的离群点进行分析,得到其背后的内涵知识,从而为决策提供支撑,才是离群检测的最终目的。本文所做主要贡献如下:1、由于传统的基于密度的局部离群点检测算法LOF对原始数据集没有预处理,导致该算法在面对未知数据集时检测效果不理想,又由于其需要计算每一个数据点的离群因子,在数据量过多时,计算量会大大增加。通过对LOF检测算法的分析,在检测方面,本文提出了一种基于目标函数的局部离群点检测方法FOLOF（FCM Objective funct ion based LOF）。首先通过肘部法则确定能使数据集达到最好聚类效果的聚类个数,然后通过FCM的目标函数对数据集进行剪枝,得到离群点候选集,最后利用加权局部离群因子检测算法计算候选集中每个点的离群程度。这种方法提高了检测精度,减少了运行时间,改善了聚类效果。2、在分析方面,根据FOLOF检测过程中得到的离群因子大小按照黄金分割法将离群点进行等级划分,通过每一维属性的离群因子,挖掘得到各离群数据的离群属性,揭示造成其离群的原因,给予离群数据有用的指导思想,将提出的方法在人工数据集和U CI数据集以及NBA球员数据集中均进行了实验,证明其有效性。此方法可以准确挖掘离群背后的内涵知识。