随着互联网技术以及计算机科学技术的蓬勃发展,我们身边的很多日常行为都会以数据的方式被存储起来。随着数据量的不断增长,对这些数据背后所隐藏的特性的研究成为当下的一个热点课题。类似于这样的通过对数据的研究而得到的模型的办法,统称为数据挖掘方法。伴随着数据挖掘热度的不断提高,异常点检测作为数据挖掘的重要领域也被人们重视起来。异常点又叫离群点,它与一组数据集中的多数数据有着明显的不同。异常点区别于噪声,它无褒义贬义之说,但背后拥有很多重要的意义,通过对异常点的分析可以给人们的工作和生活带来很多的应用。近年来,人们通过多种方法对异常点进行分析,取得了很多重要的成果并应用于多个领域。异常点检测技术发展的同时也为人类带来了更多的挑战,如何在短时间内针对高维大数据进行异常点分析已经成为广大学者们热衷的研究方向。本文提出了一种基于社交关系与地理位置检测异常点的方法,该方法可以快速准确的对用户的行为数据进行分类,并找到与大多数用户行为特征不符合的异常用户。算法可以分成下面的三个步骤:首先,对地理位置进行聚类,区别出不同密度下用户的运动轨迹模式;其次,提取用户的社交关系,并与地理位置相融合得到用户对应的特征值属性。针对特征属性中可能存在的特征空间过大而特征数据稀疏的情况,在不改变原有数据特征的基础上,使用t-SNE对数据进行降维;最后,使用聚类算法对特征空间上的数据进行聚类,在得到结果后,通过模型比对查找异常类簇,最终找到异常点。本文使用某电信运营商的通话记录单作为样本数据,对比分析了单纯基于社交关系与融合社交关系与地理位置信息作为特征值检测异常点的优劣,我们发现通过增加地理空间维度上的信息可以很明显的区分出不同年龄段的用户的社交关系,极大地便利了对异常点的寻找工作。本文还对用户日通话数据和周通话数据进行对比,验证了我们的方法在大数据量的情况下,通过丰富用户的特征属性,进而可以获得更准确的结果。最后我们使用KMEANS和DBSCAN两种常用的聚类方法在我们的模型上的对比,证明了在我们的数据集上,使用KMEANS的聚类的效果要好于DBSCAN。因此通过本文的原理分析与实验验证结果对比的研究,我们证明了我们方法的可行性,该方法可以为未来的异常点检测提供参考意义。