近年来,随着数据库存储技术、计算机科学技术和数据采集技术高速发展,数据库中都积累了大量的原始数据。所以,如何从大量的数据中快速并且准确的提取出有价值的信息是目前计算机科学领域的一个研究热点。数据挖掘就是提取有效知识的技术。因此,数据库异常点挖掘指的是从含有大量数据的数据库中,通过某些特殊方法来发现具有高价值的知识或信息的过程。主要进行了对数据点邻居关系进行了研究,研究了一种基于邻居关系的数据库异常点挖掘方法NLOF(Neighbor-Local Outlier Factor)。该方法与传统的基于密度的异常点挖掘方法相比,在精度与时间花费都有所改进。该方法主要的改进方面有以下几点:(1)提出一种基于邻居关系的网格山脊点过滤方法对数据进行预处理;(2)采用信息熵对数据进行维度简约和对属性进行权值化;(3)根据网格的邻居关系对数据点邻域查询进行优化,降低数据点找寻邻域的计算量。对方法进行了实验验证。实验采用了人工合成数据、葡萄酒质量数据集和UCI(University of California,Irvine)的成人数据。实验结果表明该方法相对于LOF(Local Outlier Factor)方法,其检验效率和精度都有所提高。