近年来，超市以正规的管理、良好的信誉、低廉的价格和齐全的商品等特点普遍受到消费者的青睐。随之而来的是行业间的激烈竞争，企业要想在激烈的竞争中取胜，就必须关注利润的源头——顾客。超市总希望与顾客建立长期、稳固的客户关系，并最有效率地把这种关系转化为利润，即留住老顾客、发展新顾客并锁定利润率最高的客户，创造更多的利润。为了实现这一目的，超市纷纷引进先进的信息技术，提高内部运营效率等，使竞争呈现多角化、多层次性。但无论采取何种竞争策略和手段，都必须把握客户行为的特征，相应进行营销创新，这样才能做到有的放矢，并在竞争中取胜。而客户行为特征不可能直接的获得，超市只能利用现有客户的信息，通过数据挖掘技术来获得。而目前利用数据挖掘进行客户行为检测研究时都有一个共同点，把不符合挖掘方法的信息剔除掉，而这些信息有时比其他信息更有意义。鉴于此，本文采用距离和与证据理论相结合的方法，对超市客户购买行为进行检测萃取异常客户，为超市营销策略提供有用信息。本论文主要从以下几方面进行研究： 首先，根据超市客户交易数据特征和RFM的特点，利用距离和异常检测方法的基本原理建立超市客户异常行为检测模型，对模型部分进行了详细的阐述，并给出了基于距离和异常检测的三个特征量的描述，在此基础上研究了三个特征量的检测过程以及检测算法的实现程序。 其次，将距离和异常检测方法与证据理论方法相结合来检测超市异常客户，距离和异常检测是依客户某一行为变化进行检测，这样检测出的异常客户存在很大的不确定性，证据理论能很好的解决不确定性问题，而证据理论又存在证据形成计算量大的缺点，利用距离和检测方法先检测客户单方面行为异常点，形成证据理论的证据，减少了证据理论形成证据前的大量计算缺点，并用实验证明了经过多信息融合后，能够有效的提高异常客户判断的可信度、减小异常客户的不确定性。 最后，利用前面的方法对收集到的所有客户进行了检测，并对检测出的异常客户进行了分析。