互联网技术的发展促使人们在机器学习和数据挖掘领域中不断提高对数据的要求,同时对数据中的异常点检测的研究也更加深入。目前,异常检测方法主要根据不同的检测模型来分,通常可以分为基于统计、距离、密度、子空间和集成学习的这几种异常点检测方法。本文综合上述几种异常检测方法的优缺点,提出两种基于隔离思想的异常检测方法。针对孤立森林面对高维、海量、属性之间相关性低的大数据集中全局异常检测精度低的问题,本文提出一种基于精确欧式局部敏感哈希和隔离原理的异常检测方法。首先,该方法利用精确欧式局部敏感哈希对原始数据集进行随机哈希函数簇的操作,以达到映射降维的目的。随后利用数据之间距离关系,进行主次哈希函数计算,即对映射数据集进行哈希桶计算,使得原始数据空间中分布较为集中的数据点经过分桶后出现在同一个桶内的概率较大,得到分桶后对应的降维子数据集。然后,再使用孤立森林对降维子数据集进行异常数据检测。最后,孤立森林构建孤立树时,对于如何选择最优分割属性和分割值的问题,本文提出了一种均值优化策略。实验结果证明,与孤立森林因随机性生成的孤立树相比,本文所提方法只需要使用较少的孤立树来构成森林,能有效地提高在高维海量低相关数据集中孤立森林算法的全局异常检测精度。针对孤立森林面对高维、海量大数据集中局部异常检测精度低的问题,本文提出一种基于核函数局部敏感哈希和隔离原理的异常检测方法。首先,该方法利用高斯核函数局部敏感哈希构建核哈希函数实例来核化数据集,将数据从原始数据空间映射至高维特征空间中,使局部异常问题转化为全局异常问题。然后,由均值优化的孤立森林对核化后的数据进行异常检测。实验结果表明,在保持孤立森林检测全局异常能力的基础上,所提方法还提高了孤立森林检测局部异常的精度。