离群点分析是重要的数据挖掘任务之一，旨在挖掘出数据集中潜在的异常数据模式或行为，它在一些大数据应用领域有着非常重要的意义。子空间聚类和离群点挖掘是大数据和高维数据集分析中的热点问题。本文深入分析了子空间聚类和子空间离群点检测的研究现状，针对已有的子空间聚类方法效率不高和可伸缩性差、子空间离群点检测算法性能不佳的问题，就子空间聚类和子空间离群点检测方法进行了深入研究。首先，对几种典型的子空间聚类算法和子空间离群点挖掘算法的优缺点进行了详尽的分析，并具体针对CMI方法存在子空间聚类效率低和最佳聚类子空间搜索结果不稳定且计算复杂的问题进行了改进，提出了基于累积全熵的子空间聚类算法。该算法是将累积全熵作为衡量子空间聚类优劣的指标来选择最佳聚类子空间。其次，综合分析了几种子空间离群点检测算法，针对CMI方法在离群点检测阶段采用LOF方法导致离群点检测效率低下的问题进行了改进，提出了基于信息熵增量的子空间离群点挖掘算法，在全体数据对象中利用去一划分信息熵增量的思想进行离群点检测。最后，在真实数据集和虚拟数据集上，通过与CMI方法的对比，分别验证了基于累积全熵的子空间聚类算法和基于信息熵增量的子空间离群点挖掘算法的有效性和可伸缩性。