离群点检测是数据挖掘领域中的热点问题之一，可以在庞大数据中挖掘出极少包含具有关键信息的数据，在日常生活和工作中应用十分的广泛。故离群点检测得到了国内外诸多学者的热切关注和研究，并提出了大量的离群点检测方法。本文深入分析了基于密度的离群点检测方法，对该方法在具有不同特征数据集上存在检测精度低，误报率高的问题提出了改进策略，旨在提高离群点的检测精度。本文的主要内容分为以下三个部分。
　　首先，本文针对LOF算法对于未知离群点个数的数据集的参数敏感性问题，和在密度分布不均数据集，不规则形状数据集上检测精度低的问题进行了分析，提出了一种相似度剪枝和邻域密度的离群点检测算法。该算法通过重新定义邻域密度解决参数敏感性问题；提出相似度的概念用以刻画数据对象之间的相似程度，反映数据对象的整体分布情况，更准确地对数据对象进行剪枝；用求交集的数学方法，进一步提高离群点检测的精确度，降低误报率。
　　其次，对基于密度的散乱数据局部离群点检测算法LDC进行了分析，存在在含有一小部分散乱数据的数据集中检测精度并不高的问题，提出了一种数据场势值期望和均方差的离群点检测算法。该算法通过I_DBSCAN聚类算法对数据集进行预处理，解决原有DBSCAN聚类算法的参数敏感性问题；根据数据场的特性，用数据场势值期望和均方差重新刻画分散程度的概念。算法既能解决LOF算法在散乱数据集中发生误判的情况，又比LDC算法具有更好的检测结果。
　　最后，在UCI真实数据集和人工合成数据集上对算法进行验证，并与已有算法进行对比，实验结果验证了本文提出的两种算法的有效性。