数据挖掘是从大量的数据集中提取隐含的、未知的、潜在有用的知识的过程,是数据库研究最活跃的领域之一。而孤立点检测是数据挖掘中的重要研究分支,其作用就是发现数据集中的“小模式”,即显著不同于其它数据的对象。经过近20年的发展,孤立点检测技术得到了广泛的应用。传统的孤立点检测算法存在一些难以克服的障碍,例如算法的参数难以选择造成检测结果不稳定,算法难以适应高维数据的特性等。本论文主要针对以上问题,对孤立点检测算法进行了研究。本文对当前的孤立点检测算法进行详细地研究比较,指出各自的适用范围和存在的不足,并在此基础上完成主要工作如下:本文在对基于单元的孤立点检测算法的详细研究分析的基础上,针对该算法中边界处孤立点的误判问题,提出用数据集边界阈值动态调整函数的方法来解决此问题,针对距离值D需要手动输入的问题,提出利用抽样平均距离来代替手动输入距离值D。改进后的算法不仅有效地减少了边界处孤立点的误判,还减少了参数的输入,提高了算法的自动化程度。针对传统孤立点检测算法对高维数据的适应性较差的情况,提出基于粗糙集的孤立点挖掘算法,为孤立点的定义和孤立点的挖掘提出一个新的方法,并用实验充分验证粗糙集理论在孤立点检测算法中的有效性。