离群点是分布规律明显异于主流数据的极少部分数据,其中常常蕴含着事物的变化趋势,因而不能简单地等同于噪声。离群点检测算法为数众多,其中基于聚类的方法比较直观,将明显偏离各簇的数据对象或者数据对象数目明显少于其他簇的簇分别定义为离群点和离群簇。聚类算法的研究较为成熟,基于聚类的离群点检测算法可以为离群点检测研究提供坚实的理论基础。本文首先分析各种离群点检测算法的优缺点,其中基于聚类的离群点检测算法更加直观高效,该类算法的研究重点在于聚类算法的研究,随后从聚类思想、聚类目标函数以及算法流程等方面对模糊聚类及其改进算法进行介绍。本文重点对模糊联合聚类、可能性聚类以及模糊三维聚类的特点进行深入研究,对其中存在的一些不足,提出改进方案。主要工作如下:(1)针对模糊联合聚类对噪声敏感以及可能性聚类容易出现一致性聚类问题,本文提出一种混合聚类算法。在模糊联合聚类的基础上加入样本典型性隶属度使其扩展成为可能性模糊联合聚类,同时使用互信息损失评价样本间的相关性,该算法可以有效识别离群点,并降低离群点对聚类精度的影响,而且对参数的敏感度较低。(2)模糊联合聚类属于二维聚类算法,为了能够对三维列联表进行有效的离群点检测,本文提出一种基于信息瓶颈的模糊三维聚类算法。该算法把模糊联合聚类处理二维列联表的思想扩展到三维,并且采用信息瓶颈距离作为距离公式。该算法在聚类过程中可以同时从三个维度上对数据进行聚类,同时强调相似性度量在聚类过程中的重要性,与现有的联合聚类算法相比能取得更高的聚类精度,为三维数据中的离群点检测提供了理论依据。