离群点是指一个数据集中特征明显不同于其他数据的对象,其中往往蕴藏了一些重要的信息,在金融交易、入侵检测等领域具有广泛的应用。由于高维数据往往具有稀疏性,使得低维数据中表现良好的离群点检测方法在高维数据空间中效果受到很大影响。因此,本文借鉴插值思想,探讨了基于聚类的高维稀疏数据的离群点检测方法。(1)提出了一种基于插值的聚类算法IB k-means(Interpolation Based k-means clustering)。针对高维数据的稀疏性,通过样本遗传变异,对原始稀疏数据集进行插值操作,提高聚类效果,可有效支撑基于聚类的高维稀疏数据离群点检测。(2)提出了一种基于插值的高维稀疏离群点检测方法ODGA算法(Outlier Detection based Genetic Algorithm),应用IB k-means算法对高维数据样本进行聚类,然后判定距离质心最远的N个点为离群点。对比基于传统k-means聚类的离群点检测方法以及几种典型的基于改进k-means聚类的离群点检测方法,ODGA方法能够损失更少的正常点,准确区分正常和异常点,提高了检测准确率和精确率。(3)提出了一种基于LOF的局部离群点检测方法。针对在数据分布密度极度均匀的高维数据集上,基于聚类的方法在离群点检测方面的不足,结合ODGA算法和局部离群点检测方法(LOF),不但大大减少了LOF值的计算量,节省了大量的存储空间,并且提升了离群点的召回率。实验表明,利用插值思想改进高维数据的聚类效果是一种理想的选择,此外,文中提出的针对高维稀疏数据的离群点检测方法在提高召回率的基础上,也提升了检测的准确率和精确率,为未来高维稀疏数据的离群点检测提供一种新的思路。