离群点挖掘是数据挖掘中的重要分支之一。近年来,离群点挖掘得到许多学者的广泛关注和研究。在平日生活中,存在着少数与众不同的信息,这些信息容易被人忽略,但它们往往具有更大的价值。离群点挖掘是一种可以帮助人们在纷繁复杂的信息中准确快速地获取具有显著异常特征信息的数据挖掘方法。目前,国内外研究学者已经提出了许多离群点挖掘的方法。本文针对局部离群点挖掘算法性能不佳的问题,针对局部离群点挖掘算法进行了深入研究。本文的内容主要包括以下三个方面。首先,分析了离群点挖掘技术的研究背景及意义,并分析了国内外研究现状,对经典的局部离群点挖掘算法的过程和性能进行了分析和研究。其次,针对基于密度的离群点挖掘效果不佳的问题,引用了三种类型的最近邻居,包括k近邻,反向k近邻和共享最近邻,采用以高斯核函数为内核的核密度估计方法对数据对象的邻域密度进行估计,提出了一种基于高斯核函数的局部离群点挖掘算法。同时,对该算法的准确性和效率进行了分析。再次,针对INFLO算法时间复杂度较高和准确率不高的问题,引入核心影响点集以减少对不必要的数据点进行反向k近邻的计算,同时引入核心邻居对处理后的数据点进行密度估计,提出了一种基于局部密度的离群点挖掘算法。并对该算法的准确性和效率进行了分析。最后,在UCI真实数据集和合成数据集上,实现了本文所提出的两种算法对离群点进行挖掘,并分别与LOF算法、INFLO算法进行了对比实验。通过实验分别验证了两种算法的有效性。