异常检测作为数据挖掘技术非常重要的研究分支,它的本质思想是挖掘与大部分对象有显著差异的对象。随着大数据时代的到来,各个行业产生了大量数据,这些数据中往往存在异常,而异常通常蕴含了更多有价值的信息。以往数据中的异常都是由各个领域的行业专家进行标注,需要大量精力和经验,准确的标注异常难度很大,而无监督的异常检测不需要对数据预先标注。由此可见该类异常检测方法更具有研究意义。针对这一问题,本文围绕着数据挖掘的两个主要技术——聚类和异常检测展开研究,主要工作包括:1.为了解决边缘点（包括异常点和错分其他簇的边缘点）影响传统K-means聚类划分的问题,提出了一种改进的K-means算法。该算法通过簇中数据点到该质心的距离分布获得的局部域值自适应地检测边缘点,在聚类过程中忽略边缘点,避免边缘点对聚类结果产生影响。基于上述算法,提出了一种基于改进的K-means算法的异常检测方法,该方法将每个簇中距离质心最远的点移入异常簇,这时正常簇会更加紧实、异常簇会更加松散,当所有簇达到稳定状态时算法停止,得到检测出的异常。该方法保留了传统K-means的易用性,减少了聚类迭代次数,并能够准确地检测出数据集中的异常点。实验结果表明,该算法达到了预期效果,能有效地检测出异常点,在多个数据集上有良好的效果。2.为了解决传统K-means算法在非凸形状数据集上不适用的问题,将上章改进的K-means聚类算法与AGNES（AGglomerative NESting）聚类算法的思想相结合,设计了一种混合聚类算法。该混合算法解决了传统K-means算法在非凸形状数据集不适用的问题,并缓解了AGNES算法计算量大的问题。为了解决传统K-means算法如何选择k值的问题,本文在AGNES算法合并簇的同时使用DAS（Difference of Average Synthesis Degree）指标,对每次的簇划分进行评估,避免了算法中需要预先设置簇数的问题。在此基础上,提出了一种基于改进的K-means算法和AGNES算法的混合聚类算法的异常检测方法,该方法先将数据点个数极少的簇认为是异常簇,缓解了将异常点选做初始中心的问题,然后对正常簇的数据点计算局部异常得分,使异常检测方法在非凸形状数据集中更适用。实验结果表明,该算法能够很好地适应多种形状的数据集,其性能相对稳定。