近年来,随着卫星遥感、WEB数据分析、病毒防范等技术的迅速发展,对于新类型入侵行为检测技术的研究已经成为迫切解决的学术问题。本文针对高维空间出现“维度灾难”现象的问题,对高维空间中基于空间划分的离群点挖掘算法进行了深入研究,并将其引入到入侵检测过程中,挖掘相对于正常通信信息而言,同样被视为“小模式”事件的入侵行为。选题对于建立高效的入侵检测模型具有一定的理论基础和实践意义。本文首先提出一种基于改进的有权重超图的高维离群点挖掘算法,引入超图模型划分数据集,定义维属性相似度表示超图模型中超边的权重,以全面反映数据集中的数据模式。其次,提出一种基于单参数k局部密度的高维离群点挖掘算法,将数据集划分为若干簇,只需输入一个与距离无关的参数k,结合某一对象p邻域内的数据分布,判断p是否为核心对象,以减少参数对聚类质量的影响,并降低I/O消耗。该算法较LOF和DBSCAN算法具有较高的检测效率。然后,提出一种基于测量距离优化局部线性嵌入的高维离群点挖掘算法,利用图论来构建数据结构,以实现数据间的相关性;通过定义新的测量距离来确定数据点的邻域,以优化数据的K邻域结构。该算法较基于局部线性加权的离群点检测方法具有较低的维数敏感性。最后,提出一种基于离群点属性集挖掘的入侵检测方法,通过基于改进距离的离群点检测算法构建离群点集,并挖掘其对应属性集,每个离群点及其特征对应一条攻击特征,建立基于误用的入侵检测规则库。该方法较基于距离的NN离群点挖掘的入侵检测方法具有较高的检测率。本文使用Visual C++语言对算法进行实现,通过对不同处理结果的对比分析,所提出算法的挖掘性能优于现有同类算法,实现了预期研究目标。