离群点检测技术是数据挖掘研究中的重要分支之一,近年来,离群点检测技术在现实生活的各个方面都发挥了重要作用。目前国内外研究学者已经提出了许多离群点检测的方法。但是这些方法在检测离群点的性能方面仍然存在着精度不佳的问题。本文针对精度不佳的问题,对无监督的离群点检测算法进行了深入研究。本文的内容主要包括以下三个方面。首先,针对基于密度的离群点检测方法在高维空间中和对簇的边界检测精度不佳等问题,提出一种新的基于密度的离群点检测算法。算法使用基于自适应带宽和梯度可达距离的改进高斯核函数的密度估计公式估计每个数据对象的密度,并依据对象密度的大小,获取每个对象的决策距离。使用决策距离与密度的比值刻画每个数据对象的离群因子,把离群因子数值较大的top-n个对象检测为离群点。提出基于决策离群因子的离群点检测算法,并对该算法的正确性和时间复杂度进行了分析。其次,针对现有无监督的离群点检测方法在高维空间下对局部离群点的检测精度不高等问题,提出一种新的局部离群点检测算法。算法使用改进的高斯核函数公式估计数据对象之间的相似性,将整个数据集抽象成一个有向图,图中的顶点表示各数据对象,顶点之间的权重表示对应的两个对象之间的相似性。依据相似性和对象的局部邻域结构推算出局部转移概率矩阵。结合马尔科夫随机游走过程,计算出平稳分布概率向量,将平稳分布向量中的各个值作为每个对象的离群值,把离群值排名靠前的top-n个对象检测为离群点。提出了基于马尔可夫模型的局部离群点检测算法,并分析了该算法的正确性和时间复杂度。最后,在合成数据集和真实数据集上对提出的算法与目前几种被业界认可的离群点检测方法进行了实验对比,验证了本文算法的有效性。