随着云计算和物联网等技术的不断发展,传感器作为物联网感知层信息采集的关键设备采集并存储了大量感知数据。对感知数据进行数据挖掘,提取出有价值的信息,能够更好的感知现实世界,并及时采取适当行动和有效措施。检测各种应用场景中的异常值是数据挖掘中最关键的基本任务之一,因此,异常检测技术受到国内外学术界广泛关注。感知数据具有数据量大、特征维度高和特征关联性复杂等特点,现有感知数据异常检测算法未能有效应对上述特点带来的挑战,导致异常检测效率和准确率还较低。本文尝试从多角度解决异常检测中存在的问题,主要针对原始数据集中特征维度高、异常数据稀疏和边界模糊的问题,优化设计检测模型中的剪枝降维和采样训练阶段:减少算法计算量,提高基分类器检测能力和多样性;针对异常检测模型中未考虑数据分布和局部异常检测能力较差的问题,优化设计检测模型中的局部异常因子定义和邻域考虑范围,兼顾模型准确率和模型检测速度。本文的主要研究内容概括如下:（1）针对异常数据稀疏与边界模糊的问题,提出了基于箱型图采样的孤立森林异常检测模型（Box Sample Isolation Forest,BS-i Forest）。BS-i Forest模型首先使用箱型图（Box Plot）对随机采样的子样本集进行初步检测,将存在异常值概率更大的集合用于训练基分类器,解决了异常数据稀疏问题。然后,BS-i Forest模型计算基分类器分类能力和相似性得到适应度,根据适应度从中选取较优的基分类器组成森林,提高了孤立森林稳定性。最后,BS-i Forest模型对处于边界模糊区域的样本利用相似度较高的一部分样本进行联合判断,解决了单一判断阈值存在的边界模糊问题。（2）针对维度灾难问题,提出了基于混合局部偏差系数的孤立森林异常检测模型（Hybrid Local Deviation Coefficient Isolation Forest,HLDC-i Forest）。HLDC-i Forest模型首先利用每个数据点的特征值计算稀疏度描述其数据分布,并利用最小描述长度来划分稀疏稠密区域,对稠密区域中的无关数据和特征进行删除,解决了大数据集计算复杂度高的问题。然后,使用孤立森林（Isolation Forest,i Forest）中的数据隔离机制提取异常候选集。最后,重新定义异常得分计算方式,综合考虑邻域和反向邻域对象,解决了孤立森林局部异常检测能力差的问题。（3）分别设计实现了异常检测模型BS-i Forest和HLDC-i Forest。为了验证BS-i Forest模型和HLDC-i Forest模型的异常检测性能,在三个实际场景下由传感器感知的数据形成的数据集和Smtp数据集上进行了实验。相比其他i Forest模型,AUC分别提升了3.62%、1.8%、0.39%和3.44%,实验结果表明BS-i Forest模型和HLDC-i Forest模型能有效提高异常检测能力。