数据挖掘是近年来信息产业界讨论和研究的一个热点。由于当代计算机技术尤其是数据库技术的飞速发展，人类面对史无前例的海量数据，因此迫切需要将这些数据转换成有用的信息和知识，并将这些信息和知识运用于各种应用中。其中例外检测就是其重要分支之一，例外检测往往可以使人们发现一些既真实而又出乎意料的知识。有些研究把例外数据当成噪声、污染，想通过忽略这些例外数据来提高数据的质量，但是有些有用的信息，重要的知识，恰恰被忽略掉了，因为这些例外数据表示了一种偏差或新的模式的开始。　　 例外检测是数据挖掘领域的热点之一。例外数据检测，是许多应用领域工作的基础和前提。通过对例外数据的偏差分析，能发现新的知识，新的模式。例外数据检测具有特殊的意义和很高的实用价值，如金融、通信领域的欺诈分析与监测、医疗分析、网络入侵监测、消费极高或极低客户的消费习惯、过程控制中的故障检测与诊断等。对例外数据的挖掘研究比对正常数据的挖掘研究更有意义。本文针对高维数据的稀疏性，提出了连续数据上基于贝叶斯网的子空间例外检测方法，该方法能有效识别子空间上的例外点。　　 本文主要内容由以下几部分组成：　　 首先，介绍了例外检测及贝叶斯网的相关知识，分析了现有例外检测算法的优点和不足。　　 其次，定义了子空间例外的概念，分析了贝叶斯网和子空间的关系，介绍了利用贝叶斯网检测子空间例外的方法；　　 然后，针对连续属性数据，贝叶斯网中参数太分散的不足，对连续属性进行离散化。　　 最后，在UCI数据集上进行实验验证。