随着信息技术的发展,大量的数据使用图来建模实体之间的关系。从复杂的图数据中挖掘出有效的信息具有重要的理论意义和应用价值。稠密子图抽取是图数据挖掘的基本任务之一,目标在于从复杂的图中,抽取出结点间连接紧密的子图,被广泛地应用在社交网络、生物信息学和社会学等领域中。本文提出一种基于最大加权k-团密度的稠密子图抽取方法。首先定义了加权k-团密度来衡量子图的稠密程度,然后提出了最大加权k-团密度问题,一种新的稠密子图抽取方式。对于最大加权k-团密度问题,本文设计了一个多项式时间复杂度的精确算法,通过将问题分解为一系列的最小割问题来求解。同时,本文还设计了一个更高效的近似算法,并证明了该近似算法的近似比。在大量数据集上的实验表明,提出的基于最大加权k-团密度的稠密子图抽取方法能够有效地抽取出稠密子图,并且抽取出的子图的密度都要优于现有的稠密子图抽取方法。最后,本文将稠密子图抽取方法应用于异常检测的特征选择任务上。通过构造特征异常图,来捕获特征本身和特征对组合的异常度。在特征异常图上使用提出的稠密子图抽取算法进行稠密子图抽取,抽取出的子图顶点即代表与异常检测相关的特征。实验表明,该算法能够有效过滤掉和异常检测无关的特征,提升无监督异常检测模型的性能。