由于医疗领域的特殊性、诊疗过程的复杂性以及医患间信息的不对称性，临床诊疗不合理现象使得医患间的矛盾日益加剧。临床异常现象指医疗行为偏离了正常诊疗路径，而医疗行为的不合理现象往往包含在这异常现象之中，因此，检测临床的异常现象，从中发现不合理的医疗行为，对规避违规现象、解决医患矛盾、提高临床诊疗质量以及构建和谐的临床诊疗氛围有着重要的意义。　　 临床诊疗行为检测通常是从临床诊疗的项目作为切入点，其数据特点呈高维现象，论文针对医疗领域高维数据特点，研究了数据挖掘技术中的高维数据孤立点检测算法，提出了一种基于最大加权频繁模式的异常检测算法，通过对临床数据进行预处理、最大加权频繁模式集发现、相似性计算等处理过程，找出临床诊疗过程中出现的异常现象。　　 本文的主要工作如下:　　 (1)讨论了常见的异常检测算法，着重研究并分析了高维数据中异常数据发现的特点以及难点，同时介绍了基于频繁模式算法的异常检测技术。　　 (2)基于医疗数据的特点，给出了一种医疗权值限制的最大加权频繁模式挖掘算法(MMWFPA)，采用对前缀树中节点进行加权以及排序的操作，在保证反单调性，方便后续剪枝操作的前提下，有效地挖掘出目标最大加权频繁模式集。利用得到的模式集给出一个相似性度量标准，挖掘潜在的异常行为。　　 (3)探讨了药物用量的衡量方法，利用信息熵理论对药物进行智能加权处理，模糊化了药物的总体药效，给出一种近似药物总效用的度量值，作为单个诊疗项目，参与临床异常现象的计算与检测。　　 (4)针对MMWFPA算法的入参形式以及原始医疗数据的特点，提出了一种“打包”的预处理概念，对原本散乱、表示形式多样化的数据进行属性重新整合，达到数据与算法紧耦合的目的，从而提高了算法执行效率。　　 (5)对课题提出的挖掘系统模型进行了设计，利用某医疗机构提供的数据，检验了模型的正确性和可用性。