异常值检测算法是数据挖掘领域的研究热点.传统局部异常值检测算法中,基于密度的方法挖掘局部异常值的性能较好,但是其在衡量数据对象与其近邻的偏差程度时仅在距离方面做考虑,往往忽略了角度.而随着数据规模和数据维度的增加,根据数据对象与其近邻间差异检测异常值的方法变得不再适用.因为在高维数据集中存在着一些不相关的属性,导致在全维空间中无法体现出异常值与其他正常值的偏差,很难检测出异常值.而且这种不相关的维度会影响异常值检测的效率,同时会减小异常值挖掘的准确性.为了弥补以上缺点,本文针对不同规模数据对异常值检测算法展开深入研究,主要工作如下.针对一般规模的数据,本文提出了一种基于局部相似度的异常值检测方法.该方法通过同时考虑距离和角度来获得数据对象与其近邻间的相似度,进一步挖掘出局部异常值.首先,为了更好地在距离方面描述数据对象间的相似度,对高斯核函数进行改进,形成了局部弹性高斯核相似度.其次,利用属性向量的均值调整余弦相似度得到基于角度的相似度.最终将二者结合形成基于局部相似度异常因子来表示数据对象的异常程度.数据对象的异常因子值越大,该对象是异常值的概率就越高.在仿真数据集和真实数据集进行实验,验证了该方法的有效性和准确性.针对大规模高维数据集中不相关的属性与冗余数据导致无法检测出异常值的问题,本文提出了一种新的基于稀疏子空间的局部异常值检测算法.首先,根据数据对象在每个维度上的局部密度定义了对象的异常因子.其次,依据异常因子阈值约简数据集中与局部异常值不相关的属性以及冗余的数据对象.最后用改进的粒子群优化算法在约简后的数据集中搜索稀疏子空间,该子空间中的数据对象即为异常值.通过在仿真数据集和真实数据集上的综合实验验证了该算法的有效性和准确性.