计算机技术的迅猛发展,互联网信息爆炸式增长,但信息质量却参差不齐,更有甚者利用互联网进行欺诈等违法犯罪活动,这对Web信息应用产生了极大的负面影响,因此如今的互联网质量问题需要大家给予高度的重视。本文研究目标在于发掘互联网中存在的质量异常问题,找出有待改善的资源,并更好地识别和发现高质量信息资源,为互联网用户营造一个高质量的信息资源环境。本论文首先提出了一个互联网质量异常挖掘系统框架,对网络异常挖掘途径进行了综述性的分析。通过分析互联网质量异常的现象,提出了模糊度量Web资源质量的方法,并将互联网资源质量状况转化为计算机能识别的数值型数据。互联网质量异常在海量的互联网数据中仅占很小一部分,但是其中可能隐藏着一些有价值的信息,借鉴离群点检测的思路,可以将它们定义为离群点,通过挖掘离群点来达到挖掘互联网质量异常的目的。互联网的数据都是多属性的高维数据,传统的离群点检测方法不能很好地应对高维数据带来的挑战。本文对离群点检测算法进行了研究,寻找适合高维数据的离群点算法并对传统算法做出了改进。先是结合SOM算法对基于密度的局部离群点检测算法(简称LOF算法)提出改进,并实现了另两种算法,分别是基于马氏距离的离群点检测算法和基于判别分析的离群点检测算法。论文采用多种数据集进行实验,完整地分析了三种算法检测性能,通过这三种离群点检测算法对互联网数据进行挖掘,分析并可视化实验结果,达到了本文挖掘互联网质量异常的核心目的。