离群点检测能够挖掘出大量数据中包含有价值信息的少量数据,在实际生活中有着广泛的应用,因此离群点检测成为了数据挖掘中的热点问题。离群点检测的主要任务是检测出异常的数据,从而在这些异常数据中获得有价值的信息。基于密度的离群点检测和基于聚类的离群点检测是目前研究的热点问题。本文深入分析了离群点检测的相关方法,针对基于密度和基于聚类的离群点检测中存在的一些挖掘性能不佳的问题提出了改进策略,旨在提高离群点的检测效率。本文的主要内容分为以下几部分。首先,本文针对基于密度的离群点检测中存在的密度分布不均造成检测效率不高,以及引入反k邻域以后算法的运行时间明显增加的问题提出了一种基于K核心空间的快速局部离群点检测算法。该算法通过引入k核心空间把数据集中的对象划分为近k邻域点和远k邻域点,减少了需要计算反k邻域的点的个数,从而减少算法的运行时间。通过引入可达距离和可达密度减少距离统计波动从而提升了离群点检测的精确度。其次,针对已有算法对于具有多个簇且簇与簇之间密度不同,距离相隔较远的数据集检测效率不高的问题,本文根据离群点的属性——离群点距离密度较高的点较远,离群点的密度要比其邻居内的密度低,提出了一种基于K-medoids聚类的局部最小密度离群点检测算法。并通过MaxMin法选取聚类初始中心点,从而更加精确的找出每个簇中的所有离群点。最后,通过在真实数据集与虚拟数据集中验证算法,实验结果与已有算法进行比较,验证了本文提出的两种算法的有效性。