数据流挖掘是当今的热点问题之一，具有广阔的发展前景。离群点检测是数据挖掘的基本任务之一，具有非常重要的研究价值，始终受到研究人员的重视。虽然传统静态数据集的离群点检测已经取得了十分丰硕的成果，但是其处理方法不能直接应用于数据流之中，因此，数据流中离群数据挖掘问题亟待解决。本文借鉴数据流挖掘已有的处理方式，提出了基于滑动窗口模型的数据流离群点检测算法，并对其做了进一步的优化处理。本文的主要研究成果包括以下方面：①首先回顾了数据挖掘的研究现状，叙述了数据挖掘的功能、过程以及应用价值。其中着重介绍了离群点检测的意义，并对其方法进行了分类概括。为了挖掘数据流中的离群数据，本文分析了数据流的特点，并且总结了对其进行挖掘时常用的处理模型。②对目前比较重要的数据流离群点检测方法——基于聚类的方法和基于距离的方法，分别进行了简要的介绍，并对它们的优点和不足进行了分析和总结。③在前人研究成果的基础之上，提出了一种基于滑动窗口模型的数据流离群点检测方法SODS。该方法使用简单的滑动窗口对数据流的新旧数据更迭进行有效管理，其正确性是可以接受的。由于算法采用的数据结构有效地降低了近邻集统计时的计算量，并且在离群点查询处理时利用安全点概念进行精简，使得该算法的时间性能要好于同类算法。④以SODS算法为基础，提出了剪枝算法SODS1，有效地削减了冗余计算，提高了算法时间性能；对滑动窗口添加缓冲机制，得到了BSOD算法，避免对窗口边界附近数据点的近邻集进行统计时的不公平现象，有效降低了算法的误判率。论文中提出的算法采用真实数据集进行实验，分别从检测率、误判率以及单点平均处理时间和查询响应时间进行了比较分析。实验结果表明，算法SODS具有很好的正确性和时间性能；算法SODS1在窗口宽度不断增大的过程中，时间性能逐渐好于SODS算法；算法BSODS的响应时间要长于SODS1算法，但是并不明显，而误判率却得到了很好的控制，要明显低于SODS1算法。