随着数据库应用的普及,人们逐步陷入"数据丰富,知识贫乏"的尴尬境地.而近年来互联网的发展与快速普及,使得人类第一次真正体会到了数据海洋无边无际.面对如此巨大的数据资源,人们迫切需要一种新技术和自动工具以便能够利用智能技术帮助我们将这巨大数据资源转换为有用的知识与信息资源,从而帮助我们科学地进行各种决策.数据挖掘技术因此应运而生.该文就数据挖掘中的数据聚类和异常检测技术进行了深入地研究和讨论.大部分的数据挖掘的实际应用都是高维空间中的,设计对高维空间中的数据对象,特别是对高维空间稀疏和怪异分布的数据对象,能进行较好聚类分析的聚类算法和异常数据检测算法已成为数据挖掘研究中的一项挑战.针对现有的数据聚类算法在高维数据聚类上的弊端,该文提出了一种基于超图模式的聚类方法,把数据集中的数据及其间关系表示在一个超图中,通过划分超图来得到数据的聚类.该方法相对于传统方法最大的优势是不需要降维,能够高效的产生高质量的聚类结果.到目前为止,提出的异常检测算法对高维数据异常检测效果都不理想.该文就布尔属性的高维数据提出了一种异常检测方法.它通过定义反映数据稀疏程度的覆盖系数,搜索其低维子空间里的异常模式来检测异常,在该方法中,我们使用到了遗传算法来优化我们的搜索过程,并取得了较好的效果.