异常点的检测是数据挖掘方向上一个非常重要的研究分支,其主要目的是挖掘出那些行为显著异于其他数据对象的数据。随着物联网技术的兴起,高速、无限且动态的高维数据流在生态领域产生,生态监测数据的异常检测也至关重要。基于上述情况,本文做了如下研究工作:1)对数据流异常点检测的研究现状做了详尽的调查,并对相关方法进行了总结和分类。对领域内典型的数据流处理模型及数据流异常检测方法的优势和不足进行了分析与比较,并针对数据流异常检测所面临的关键问题提出自己的改进思路。2)现有的一些数据流异常检测方法,由于众所周知的“维度灾难”问题,对于高维数据流的检测效果欠佳。基于角度的方法虽然在高维空间中比距离更加稳定,但是计算复杂度很高,不适合大数据量的检测。针对此问题,本文提出一种基于向量点积密度的快速异常检测算法。算法只对滑动窗口内受影响的数据点进行增量计算,并利用两个优化策略和一条剪枝规则,使检测过程中的距离计算次数有效地减少,从而降低算法在时间及空间上的开销,最终达到提高检测效率的目的。通过理论推导及在仿真数据集和真实数据集上的多组实验分析证明,本文提出的方法是高效的。该部分内容已发表一篇论文在核心期刊。3)设计了一个基于异常检测的生态流数据审核应用系统。系统主要实现了异常数据检测模块、数据审核模块、数据分析模块及辅助管理模块。系统拥有实用的异常检测方法,同时本文提出的基于向量点积密度的数据流快速异常检测算法也应用其中。这些方法既能对异常识别有较高的准确率,又能保证高效率运行。并且该系统是一个可扩展、高通用的系统,它可以同时满足各种类型生态数据实时的异常检测及审核。另外,系统运用聚类分析技术对生态监测站点的相邻关系进行了重新划分,使生态监测数据的异常检测结果更准确。该部分研究内容已申请一项软件著作。综上所述,相比于一些传统的异常点检测方法,从算法的实时性及高维度适用性方面考虑,本文所提出的方法很适合数据数量和维度均呈上升趋势的生态领域的生态监测数据流的异常检测。在生态监测数据的异常检测上具有一定的应用价值。