随着大数据的快速发展,离群挖掘作为数据挖掘中的一个重要研究分支,在众多场景中发挥着至关重要的作用,可以帮助我们发现许多有价值的知识和异常模式。深度森林算法能够有效的对数据集中不同类型的数据进行挖掘,但在算法中存在子树特征随机选择性较大,数据特征中存在的无关属性可能影响算法性能,算法的时间复杂度较高的问题。因此,本课题针对该算法存在的问题,采用权重因子、简单随机抽样等思想进行离群挖掘的研究,主要成果如下:（1）基于加权深度森林的离群数据挖掘算法（WDF）。针对深度森林子树特征选择的随机性问题,给出了一种加权深度森林的构造方法,并将其应用到离群点检测中。首先,通过森林的预测概率定义权重因子μ,描述当前层森林准确率大小。其次,把权重因子μ作为级联层中每个森林的权重,从而降低森林中根节点特征的随机选择对算法性能的影响;根据数据样本分布的不同,重新定义了局部孤立因子α,描述数据离群程度大小。在此基础上,给出了基于加权深度森林的离群数据挖掘算法。最后通过实验验证结果表明,该算法与同类算法相比在离群点挖掘方面具有更高的挖掘质量。（2）基于多次抽样的加权深度森林快速离群数据挖掘算法（FWDF）。针对深度森林算法利用滑动窗口进行数据转换中特征重复性较大的问题,给出了一种基于多次抽样的加权深度森林快速构造方法,并将其应用到离群点检测中。首先,在多粒度扫描中根据窗口大小从输入特征中随机选择,再使用二次抽样对数据实例进行抽取,由此给出了一种深度森林快速构造方法（FDF）。其次,将FDF算法集成到WDF算法中,对离群数据进行检测。在此基础上,给出了基于多次抽样的加权深度森林快速离群数据挖掘算法,实验表明该算法与WDF算法相比具有较高的挖掘效率。（3）实现了面向恒星光谱的离群数据挖掘原型系统。该系统在windows 7开发环境下,以python为开发语言,实现了特征选择、缺失值处理、特征加权等预处理功能,以及FWDF算法的离群检测、结果可视化等功能。最后通过用例测试结果表明该系统是可行的,为特定背景下探索未知、稀有目标提供了一种有效途径。