离群点检测问题作为数据挖掘领域中的一个重要研究,在学术界和应用领域都得到广泛的关注。随着现代社会的发展,工业,互联网,制造行业等领域产生了大量的数据,人们在关注数据整体趋势的同时,也开始越来越关注那些表现与数据集中其他数据存在明显不同的异常值,因为这些数据点往往蕴含着更加有用的信息。为了从这些数据中发掘到更有价值的信息,许多应用都依赖于数据流上的离群点检测技术。随着有关离群点检测的需求增多,用户不再满足单一的离群点检测,想要从数据中找到更多有价值的信息,从而产生许多离群点的查询任务。然而,现有的离群点检测算法大多是面向单查询的检测,不能解决用户需求。因此本文对面向流数据的多离群点检测算法进行研究,并提出两种解决算法来解决这方面的问题。首先,针对流数据上的多离群点检测问题,本文提出一种基于skyline分组的多离群点检测算法,MSQD（Multiple Query of Outlier Detection based Skyline）。该算法从大量离群点查询参数找到一组轮廓参数（skyline参数）。若skyline参数个数较少,算法基于这组参数支持多离群点检测。否则,MSQD根据这组轮廓参数利用动态规划算法生成少量虚拟参数,通过支持这组虚拟参数的离群点检测,支持多离群点检测,降低查询规模对算法性能的影响。以此为基础,MSQD构建索引HT-Grid支持流数据管理。它利用滑动窗口的时间特性对窗口进行划分,根据划分结果执行范围查询,减少不必要对象的访问。其次,为了满足用户多元化的需求,本文研究了基于变长窗口的多离群点检测问题,并提出查询处理算法VMOG（Multiple Query of Outlier Detection based vary Greedy）。该算法首先从大量离群点查询参数找到一组轮廓参数（skyline参数）。以此为基础,VMOG利用贪心算法对这组轮廓参数进行分组,根据分组结果构造虚拟查询,从而达到利用少量查询参数支持大规模离群点查询的目的。最后,VMOG同样利用数据流的特性对分组内的查询任务进行搜索,提高查询效率。最后,本文使用两个真实数据集和3个合成数据集分别对MSQD算法和VMOG算法进行实验验证,实验结果证明了本文所提算法的有效性和高效性。