流数据的离群点检测在信用卡欺诈检测、股票投资计划等许多现代应用中都发挥着重要作用,是数据管理领域中的一项重要问题。应用最为广泛的基于距离的离群点检测现已被广泛研究。但现有技术无法支持面向多维流数据的离群点高效检测,其根本原因是高昂的范围查询和候选对象维护代价。针对上述问题,本文提出了查询处理框架PIOD(Partition-Index based Outlier Detection)和ISOD(Index based Slide-query Outlier Detection)。本文首先研究了滑动窗口模型下基于kNN的离群点检测问题。针对此类问题,本文提出查询处理框架PIOD。PIOD首先利用分片技术对滑动窗口进行划分,基于此,PIOD以Z曲线为基础提出ZPH-Tree索引管理流数据,同时本文增加缓冲区更新机制提高索引的适用性。再次,PIOD基于ZPH-Tree提出候选离群维护算法,该算法通过分片技术和索引空间过滤,避免维护所有对象的k近邻。此外,本文提出基于EM-tree索引的CSM(Candidate-Set Maintain)算法通过维护候选对象间的位置关系和分值关系,降低候选对象维护代价,实现候选集合的高效维护。理论分析和实验验证了PIOD的高效性和稳定性。本文随后研究了滑动窗口模型下基于阈值的离群点检测问题。针对此类问题,本文提出查询处理框架ISOD。首先,ISOD以Z曲线为基础提出索引ZPT-Tree管理流数据,该索引一方面维护流数据间的位置关系,另一方面维护流数据的时间关系。其次,ISOD基于ZPT-Tree提出最少搜索原则,该原则通过安全点的筛选和候选对象最佳邻居的查询与维护,避免重复计算代价,降低范围查询次数,实现基于阈值离群点的高效检测。理论分析和实验验证了ISOD的高效性和稳定性。