针对异常检测模式学习,该文所做的工作及贡献主要有:第一,该文基于正常行为与异常行为概率分布特点的不同,提出一种新的异常行为检测标准-正常度,并在此基础上设计实现了一个无监督异常检测模式学习算法C-UA,另外还针对C-UA算法中数据特征属性权重问题进行了深入的分析研究.实验结果表明通过C-UA算法学习得到的异常检测模式具有较好的检测性能.第二,针对如何利用背景知识指导异常检测模式学习问题进行了深入地分析探讨,并基于概念分层理论提出一种利用背景知识指导异常检测模型学习的方法,最后通过实验证明经过背景知识指导所学异常检测模式的检测精确度有明显的提高.第三,针对异常检测模式性能评估技术进行了系统性地分析研究,指出当前异常检测模式性能评估技术存在无法精确量化异常检测模式综合性能的不足,并针对该不足以对异常检测模式性能评估技术进行了扩展.第四,针对异常检测模式持续学习问题进行了深入地分析研究,指出异常检测模式持续学习的必要性,并针对当前异常检测模式持续学习技术存在的不足,提出一种基于记忆的异常检测模式持续学习解决方案,实验证明所提出的异常检测模式持续学习解决方案具有很好的学习效果.最后,综合以上研究内容设计并实现了一个异常检测模式学习的系统原型.