离群检测是数据挖掘研究的重要组成部分,其任务是,在给定数据对象集中发现那些与其他大部分对象相比有显著不同特征的对象。在大部分数据处理方法研究中,数据对象之间的这种差异性很可能被视为噪声而丢弃。实际上,罕见数据对象的出现对数据集的分析与处理可能蕴含着更大价值。离群点检测方法有很多,在一些特定应用场景中,比如在分布复杂且不确定数据集的离群检测中,粒计算提供了一套基于粒化思想应用于复杂问题求解的理论框架。将粒计算理论中的相容粗糙集方法融入离群检测模型中,可以提高数据集中不可分辨数据对象的不确定性处理之适应性,提升离群检测准度。为此,以相容粗糙集理论为基础,本文运用极大相容粒思想改进了基于粗糙集的离群检测模型。主要研究内容涉及如下几个方面:（1）离群检测研究中,现有的经典粗糙集理论在处理数值型属性对象的离群判别问题上有一定局限。另外,与数值型属性不同,符号型属性数据对象之间的距离没有固有有效度量方法,采用传统的线性距离度量效果往往不佳。针对这些问题,本文将利用相容粗糙集的粒化特点,研究基于相容度值差异度量的离群检测方法,并用对比实验验证了相容度值差异度量的对象离群因子的有效性。（2）相容粗糙集虽然能够处理混合型属性数据集,但基于相容关系的粒之间不具有传递性或对称性,在进行离群点检测时,对信息粒之间甚至同一信息粒内对象之间的关系会有误判。针对这一问题,基于相容粗糙集的极大相容粒思想,结合数据对象分布特征,构建了一种新的离群检测模型。与现有相容粒概念相比,新模型中的粒元素具有更强的相似性,进而可以提高模型检测的准确度。