离群点检测作为数据挖掘技术的重要研究领域之一,是发现数据价值的一种重要手段,可以用来从大量的数据中挖掘出与大多数数据呈现不一致规律的异常点,这些异常点往往蕴藏着更加有价值的信息。正是由于离群点检测有着如此重要的研究意义,使得国内外学者在该领域的研究十分活跃。本文针对基于聚类的离群点检测算法存在的低效率、低耦合性问题进行了深入研究,主要研究内容包括以下两个方面。首先,本文对基于密度峰值快速搜索聚类的离群点检测算法进行了研究,为解决该算法存在的参数问题和决策欺诈现象进,提出了基于聚类离群因子的离群点检测算法,该算法引入相互邻居和相互邻居搜索算法用以解决参数问题;提出相互密度的概念用以刻画数据与周围数据点的紧密程度以抑制决策欺诈现象;提出聚类的离群因子用以度量聚类离群程度。该算法根据聚类的离群因子找出离群聚类以检测离群点。其次,对基于唯一最近邻居集和密度聚类的离群点检测算法进行了研究,为解决该算法存在的假近邻现象、聚类合并现象进,提出了一种改进的基于唯一最近邻居集的离群点检测算法。该算法使用唯一最近邻居集基数检测孤立离群点,使用聚类离群因子检测离群小聚类,并引入传播范围阈的概念,用以解决聚类合并问题。算法既能检测单个孤立的离群点又能检测离群小聚类。最后,在UCI模拟数据集和真实数据下,验证了本文提出的算法,并和基于密度峰值快速搜索聚类的离群点检测算、基于唯一最近邻居集和密度聚类的离群点检测算法进行了对比,验证了本文算法能很好的进行聚类和离群数据的检测。