异常检测旨在研究如何发现数据中不符合预期正常行为的模式和对象。通过对不同领域中异常模式或对象的分析和研究,有助于深入理解该领域的正常行为,及时发现其中的异常行为和模式,具有重要的研究意义和广泛的应用价值。在实际应用中,由于人工标注样本标签的代价高昂或难度较大,使得人们需要处理的对象数据往往是只有少量独立类标签或约束信息的半监督数据形式。为此,基于半监督学习的数据挖掘方法受到越来越多的关注。如何利用好数据中的少量监督信息,成为半监督学习中模型构建的关键。根据数据的产生形式,可以将异常检测方法分为面向静态数据和面向动态数据两大类。在面向静态数据的异常检测方法研究中,针对实际应用场景中不可避免的会产生异常或噪声数据的问题,如何设计并实现能够有效区分异常和正常样本的半监督鲁棒聚类方法是一个非常值得研究的问题。此外,在动态数据场景下,现有流数据异常检测方法往往有一个隐含的假设,即已知类的强内聚性（类内距离小）或待检测的异常类（新类）同训练数据中已知类的显著分离性（类间距离大）。然而,在实际流数据应用场景下,这种假设并不总是成立且新类检测通常充满困难和挑战。因此,本文针对上述问题,开展了静态数据上的半监督鲁棒聚类方法研究和动态流数据上的半监督困难新类检测方法研究。本文的主要工作包括以下内容:（1）针对实际应用中不可避免会存在异常和噪声数据的问题,本文提出了一个新的面向静态数据的半监督鲁棒聚类方法（RSSC）。该算法受数据扭曲思想和谱聚类的启发,利用监督信息与正则化拉普拉斯矩阵相结合的方式构造目标函数,将原始半监督数据集映射到新空间中,获得标准坐标系下的新数据。在新数据空间中,同一簇中的样本相互靠近,不同簇中的样本相互分离,异常形成异常簇,从而实现不同数据的有效区分。在16个真实数据集上同7个最新的对比算法的对比实验验证了RSSC的有效性。显著性分析展示了RSSC的平均序值为1.06,优于其他算法。此外,鲁棒性分析表明,当异常比从10%增加到100%时,即在异常数据比例较大的数据集上,RSSC仍然能够获得优异的聚类性能。（2）针对大多数现有数据流上的新类检测算法的隐含前提:已知类之间的强内聚性或者特征空间中新类和已知类之间的显著分离性,在实际应用场景中并不总是流数据固有特征的问题,本文提出了一个新的半监督流数据中困难新类检测框架（SSLDN）。SSLDN框架主要由三个部分组成:有效的新类检测器SSLDN-Forest、基于近邻信息的已知类分类器SSLDN-LL和高效的更新模型SSLDN-U组成。在8个数据集上同5个最新的对比算法的实验充分验证了SSLDN能够高效处理半监督流数据中新类和已知类之间不同程度分离场景下的新类检测问题。在进行长数据流模拟时,针对不同大小的数据,SSLDN的评价指标比其他算法好。在时间运行方面,SSLDN所用的时间与其他算法相比较短,表明SSLDN能够快速对流数据做出判断。