离群点检测的目的是在给定的数据中发现那些与其他数据显著不同或不一致的数据。由于在网络入侵检测、欺诈检测以及生命科学等多个领域的应用,离群点检测已成为数据挖掘领域的研究热点。在所提出的不同种类的离群点检测算法中,基于隔离的算法因其线性的时间复杂度以及良好的可伸缩性备受欢迎。本文针对基于隔离的离群点检测算法存在的问题,提出两种离群点检测算法:基于极差的隔离森林离群点检测算法、基于相对比重的扩展隔离森林算法。论文的主要工作和创新如下:（1）从“极差大的样本中离群点出现的可能性也大”这个想法出发,提出基于极差的隔离森林离群点检测算法（r-i Forest）。在子采样后应用极差筛选样本子集,使样本子集中存在离群点的概率较大。另外,在隔离树构建时通过子节点与其父节点的样本量比重控制树的生长形态,避免生成性能较差的隔离树。与8种算法的对比实验表明:r-i Forest算法AUC值高出其他算法2%-40%,且比i Forest算法时间消耗减少约15%。（2）针对扩展的隔离森林算法（EIF）中局部离群点被密度相似的正常点掩盖不易被隔离的问题,提出基于相对比重的扩展隔离森林算法（RP-EIF）。该算法根据样本落入的叶子节点与其父节点的相对比重计算离群分数排名,而不使用基于路径长度的排名。与5种算法的对比实验表明:RP-EIF算法在5个公开数据集上的AUC值高出EIF算法1%-4%,高出其他4个算法2%-38%。且时间消耗要比EIF算法减少约30%。（3）设计实现了针对《国家学生体质健康标准》测试数据的审核工具包（R语言包）。从完整性、有效性、一致性以及似然性4个方面进行数据审核。并把本文提出的RP-EIF算法用于多变量离群点的检测,降低审核工具包的审核时间。解决了人工无法对体测大数据审核的问题。