在自然界、人类社会和数据集等领域中,存在着许多不平凡的时间或对象,这些不寻常的事件或对象具有非凡的重要性,有可能导致发现新的信息和知识。这些颇有价值的信息和知识没有得到充分的开发和利用,这就迫切要求人们采取有效的措施对异常所隐含的知识进行挖掘,从而获取有用的信息和知识,异常挖掘技术就应运而生了。随着异常检测研究的不断发展,提出了很多的不同应用领域的算法,但这些算法在参数自动化、处理混合属性数据集差异性度量和阈值设定上存在一定的问题,影响了算法的准确率和效率。　　 本文从差异性度量和异常因子两个方面加以改进,提出了一种基于混合属性的局部密度异常检测方法。对于混合属性差异性度量,采用对数值属性和分类属性分别处理其差异性,最后进行组合。数值属性的差异性度量采用欧几里德距离公式,分类属性差异性度量采用加权海明距离公式,权重定义为各对象间分类属性不相等的属性值的个数。最后将两种差异性度量相加,得出的结果除以属性的个数,形成最终的属性上的差异性度量的平均值,作为处理混合属性数据集中对象之间的差异性度量。对于异常因子的定义,采用计算混合属性数据集中对象间的局部密度和基于邻域的密度因子,最后的异常因子是由两者的乘积求得,能够很好的区分各个对象的异常程度,并根据局部密度和异常因子进行阈值的设定,根据此阈值可以灵活的求解异常对象。通过理论分析和在UCI数据集上的实验验证证明,提出的基于混合属性的局部密度异常检测算法在单维和多维的数据集上达到了预期效果,能够准确的检测混合属性数据集中的异常,减少了算法运行的时间,检测率高。