离群点检测就是通过多种检测方法找出其行为不同于预期对象的数据点的过程。离群点检测技术已经成功的应用于金融系统的风险控制、医疗疾病的辅助诊断、森林灾害监控、网络攻击预警检测等领域。通过研究者的不断努力,已经有多种离群点检测算法,其中最为经典的离群点检测算法有基于距离、基于密度、基于聚类的离群点检测等方法。目前的这些离群点检测方法已经有效地使用了几十年,它们大都是基于离群点的某一特性进行检测,例如基于密度、距离等,检测效果不是特别好,如何提高离群点的检测效果成为了一个学者争相解决的问题。为了解决相关问题,做了如下工作:(1)本文首先提出了一种名叫累积一致率集成的离群点检测方法(CARE),该算法将多个不同的弱分类器集成在一个模型中,权衡偏差-方差,进而可以提高整个集成检测模型的准确率。在该算法中,离群点检测被认为是一个带有未观测到的标签的二元分类任务,进而可以进行偏差-方差误差分解。现有的离群点集成方法仅包含一个并行框架,并通过组合各独立基本检测器的检测结果来减少方差,但偏差则较高,而CARE结合了并列集成和序列集成,既可以减少方差也可以减少偏差,检测效果明显优于采用一种集成框架的算法。CARE相较于目前最优秀的离群点集成方法,CARE有更高的准确率,同时还能在其他方面与这些优秀的检测方法保持接近。(2)接着提出了一种新的改进的非监督离群点检测集成方法DCSO。传统的静态集成检测方法的基本检测器都是固定的,只是通过改变各基本检测器的权重来提高模型的检测准确率,但是对于那些严重偏离中心的离群点,检测效果则很差。为此DCSO通过评估基本检测器在其定义的局部邻域内的能力,动态地为每个测试实例识别性能最好的基本检测器,进而将识别到的优秀基本检测器集成,然后输出整个模型的检测结果。传统的静态集成检测方法对于离群点邻域的背景值忽略不计,而数据的局部邻域背景值对离群点检测集成影响很大,为此DCSO通过与局部邻域背景值的相似性对单个基本检测器的能力进行排序,去减小背景值对模型的影响。