数据挖掘是从结构复杂的大规模数据中挖掘出有规律性的、突出意义的且不容易被人们所发现的有价值的可以理解的信息的技术。而离群点检测是数据挖掘领域中的重要课题之一,随着现实生活、互联网等产生的数据越来越多,数据结构越来越复杂,离群点检测迎来了新的难题。本文通过研究分析目前离群点检测算法中存在的问题,对离群点检测算法进行改进,使改进后的离群点检测更加适用于电子病历临床处方异常数据的检测,从而有效地利用医院信息化建设中积累的大量数据,及时检测出临床处方中的异常数据。本文的主要研究内容如下:(1)对自组织映射神经网络聚类算法进行改进,在训练过程中的权值调整公式中加入获胜系数对权值调整的影响,加快算法收敛速度,并且减小由输入顺序所带来的对训练结果的影响。定义反应网络收敛程度的参考函数,根据参考函数对学习率函数进行调整,并将获胜系数引入学习率函数,使算法能自适应的找到当前最适应的学习率,在保证准确率的情况下加快收敛速度。(2)对传统局部异常因子算法进行改进,将“朋友关系”模型引入,提出基于反向近邻密度的局部异常因子算法,重新定义局部异常因子。以解决某些情况下特殊的数据分布会导致LOF算法将正常数据点误判为离群点的问题。(3)在离群点检测算法的初始阶段应用自组织映射神经网络聚类算法,将位于聚簇中心的大部分正常数据移除,获得待检测数据集,减少需要计算局部异常因子的数据量级。在待检测数据集中使用基于反向近邻密度的局部异常因子算法对样本进行检测,在保证算法识别准确率的同时降低算法时间开销。(4)将本文提出的改进算法应用于真实的电子病历临床处方数据,整理临床处方数据,得到按科室划分的临床处方数据矩阵。将数据集预处理后应用传统算法与本文提出的改进算法,分析比较两种算法在真实的电子病历临床处方数据中的检测效果与效率,证明本文对于算法的改进是有效的。