离群数据挖掘就是从大量复杂的数据集中发现存在于小部分异常数据中的新颖的、与常规数据模式显著不同的新的数据模式。从数据挖掘的角度来看,在一些应用中,稀有事件往往比常规事件更令人感兴趣。例如,错误数据的查找,金融、通信领域的欺诈分析,网络入侵的检测,消费极高或极低收入的客户行为的分析等。因此,离群数据挖掘方法的研究具有十分重要的意义。　　本文在研究了数据挖掘相关理论的基础上,对离群点检测及高维及高维空间上的离群点检测算法进行了分析研究。首先研究分析了离群点的定义,对离群数据挖掘算法的研究现状进行了分类评述。基于距离的离群数据挖掘方法因为接近Hawkins的离群数据本质定义且直观、易于理解,在实际中应用得较多,本文分析研究了两种基于距离的离群点检测算法-嵌入式循环离群点检测算法和基于空间索引的离群点检测算法,并通过实验对这两种算法进行了比较。　　遗传算法是一种建立在生物进化基础上,基于自然选择和种群遗传机理的　　搜索算法,它模拟了自然选择和自然遗传过程中发生的选择、交叉和变异现象。　　本文研究了遗传算法的相关理论,深入研究分析了一种基于遗传算法的高维离群点检测算法,并对该算法进行了改进,将异常候选集引入该算法,提出了改进后的基于遗传算法的高维离群点检测算法,提高了离群点检测的精度,并通过实验证明了改进算法的有效性。