数据挖掘是从大量的数据集中提取隐含的、未知的、潜在有用的知识的过程。异常检测是数据挖掘中一个非常重要的分支,能发现隐含在数据集中的小模式,这种小模式常常隐含着重要信息,在很多应用领域有重要的研究价值。如电信和信用卡交易中的诈骗检测、天气预报中的灾害预报、网络访问中的入侵检测等。在实际应用中经常会碰到高维数据,如交易数据、文档词频数据等,因此加强对高维数据挖掘的研究有着非常重要的意义。但由于高维数据的特殊性,如随着数据维数的升高,高维索引结构的性能迅速下降;由于高维数据的稀疏性,采用LP距离作为数据之间的相似性度量,在很多情况下这种相似性的概念已不复存在等等,这些都给高维数据挖掘带来了极大的困难。很多常规聚类算法虽然能进行异常检测,但仅仅将异常点作为聚类的副产品。近几年,出现了一些专门的异常检测算法,在理论上和算法应用上有一定的突破,但主要针对低维数值型数据集的研究。现实世界中,很多数据集具有内在高维特性,使得这些算法检测性能急剧下降,而且算法对异常点的解释相对滞后。本文针对目前主流的异常检测算法存在的问题,对异常检测技术进行了深入研究,指出了这些算法在高维数据集应用上存在的缺陷,并基于投影思想和频繁项集的概念,提出了一种新的异常检测算法OHDHMAP,该算法不仅能较好地解决高维数据集的稀疏性问题,也能将数据集的类型从数值型扩展到混合型,并且能对异常点作出一定的解释,有利于区分异常点和噪声。实验表明,该算法具有较好的检测性能。本论文针对对异常挖掘的研究,对高维数据异常检测提供了新的思路,初步探讨了异常的可解释性问题,具有一定的理论意义和应用价值。