随着数据的爆炸式增长,利用数据挖掘技术获取数据中的潜在价值一直是一个重要的研究方向。离群点检测技术是数据挖掘方向中能有效挖掘数据潜在价值的一个重要组成部分,在网络入侵、欺诈检测、日志检测等领域有着广泛的应用。基于k近邻的离群点检测算法常用于检测存在复杂分布的工业数据集,但在数据中包含非球状类簇时,算法检测精度难以得到保证。基于图的离群点检测算法常用于检测数据之间有紧密联系的数据集,常用于银行类数据集,但基于图的离群点检测算法在检测该类数据时存在检测精度低、容易受k值影响的问题。针对上述问题,本文进行了深入的研究。首先,分析了基于k近邻关系的离群点检测算法的研究现状,在包含非球状类簇的数据集中,基于k近邻关系的离群点检测算法难以有效的刻画数据点的邻居分布,导致该类算法存在检测精度不高的问题。本文通过引入近邻树代替k近邻关系生成新的邻域集合,定义质心投影的概念用来刻画数据点与其邻居点的分布特征;并在数据对象邻居点逐渐增多的过程中,离群点和内部点质心投影变化不同,采用质心投影波动去衡量每个数据点的离群程度,进而提出了基于质心投影波动的离群点检测算法。其次,针对基于图的离群点检测算法需要外部输入参数和难以有效刻画数据点的局部和全局特征的问题,使用一种自适应阈值的方法获取每个数据点的局部邻域信息,以避免外界输入参数对算法的影响;利用获取的局部邻域信息和最小生成树分别生成局部信息图和全局信息图,用以精准刻画数据点的局部和全局特征;综合考虑数据的局部和全局特征进行马尔可夫随机游走检测离群点,进而提出一种基于信息图的离群点检测算法。最后,在人工数据集和真实数据集下,通过和一些经典的离群点检测算法进行实验对比分析,进而验证了本文所提出的算法能正确有效的检测出离群点。