离群点挖掘作为数据挖掘的重要组成部分,能够从大量复杂的数据中找到小部分与其他数据相比最不一致、显著异常的数据点,这些异常点往往包含着非常重要的信息。本文通过研究现有的离群点挖掘算法以及目前国内外在离群点挖掘工作上的进展情况,针对离群点挖掘的热点问题,分别在大规模高维数据和空间数据这两个离群点挖掘研究热点上,提出了基于聚类约减的局部离群点检测算法和基于Voinoroi图的局部加权空间离群点挖掘算法。在大规模高维数据集上,由于LOF算法需要反复遍历数据库计算所有点的邻域,时间复杂度非常高,本文提出一种改进的离群点挖掘算法。算法使用核K-means聚类将数据点映射到高维核空间中,通过高维核空间突出了样本之间的差异,选取数据集内真实的点代替均值点,从而减小离群点的干扰。最后对划分好的数据簇,通过度量函数判断数据簇内点的分布情况,选出离群点候选集,仅对该候选集内的点进行局部离群点挖掘。基于核K-means聚类的离群点检测算法约减了参与计算的数据点,从而降低了执行时间。在空间数据挖掘中,由于空间数据具有自相关性和空间异质性,因此,传统的离群点挖掘方法在空间领域内挖掘效果并不理想。本文根据空间离群点挖掘的现有问题,提出了基于Voronoi图的局部加权空间离群点挖掘算法,该方法将空间数据的属性划分为空间属性和非空间属性,通过空间属性确定空间数据的邻域,解决了数据的自相关性；通过计算对象的局部离群因子,解决空间数据的异质性。使用Voronoi图查找数据对象的邻域能够将时间复杂度降低到O(nlogn),并且该方法避免了人为输入参数的行为,减少了算法对用户的依赖性。同时对于不同邻域、不同的属性添加局部权值,增加局部重要属性对离群点的影响程度,进一步提升了算法的精度。两种方法分别在真实数据集上进行了实验,实验结果表明,本文提出的方法在时间复杂度和查找精度上都有一定的优越性。