异常点检测是目前数据挖掘领域中极为重要的研究内容。异常数据是指与数据集中大部分数据行为模式不同的数据。异常点检测通常用于在预处理中删除数据集的异常数据,在监督式学习中,去除异常数据的数据集往往会在统计上显著提升准确性。因此,研究高效的异常点检测算法对后续数据挖掘至关重要。目前,对异常点检测的研究主要包括基于统计学、聚类、分类以及最近邻等方法。但已有算法大多存在参数选取敏感、耗时长、属性考虑不全等不足。粒计算是一种多层次、多视角的问题求解方法,因此,论文将粒计算思想融入异常点检测领域,提出多粒度数据异常点检测算法。主要贡献如下:1.为了考虑数据的近邻分布,通过近邻分布密度引入离群指数的概念,并结合多粒度思想提出箱形图结合离群指数的多粒度异常点检测算法,进一步在房价预测领域验证算法性能。2.针对已有算法参数选取敏感,耗时长等问题,将控制图思想与粒计算思想融合提出基于Xm R控制图的多粒度异常点检测算法。该算法使用单值—移动极差控制图（Xm R控制图）从不同视角对数据集中每个单粒度构建X图和m R图,从而挖掘图中异常点。3.将基于XmR控制图的多粒度异常点检测算法应用于软件缺陷检测领域,通过与七种异常点检测算法（隔离森林、LOF、OCSVM、COF、CBLOF、HBOS和KNN）进行对比,验证算法的优越性。论文提出两种基于粒计算的数据异常点检测算法,并采用不同评价指标的均值与标准差验证算法的有效性。图34幅;表26个;参69篇。