随着信息技术的不断发展,流数据逐渐成为当今主要数据类型,它具有数据规模大、传输速度快等特征,这些特征给高效管理流数据带来巨大挑战。离群点检测是数据挖掘领域一种重要数据挖掘技术,在流环境下有着广泛的应用。现有算法普遍存在计算和空间代价大等问题,无法在高速流环境下高效工作,用户的实时性要求无法满足。本文研究面向流数据的离群点近似检测问题,以降低精度为代价换取计算代价的大幅降低,满足用户实时性需求。本文贡献点总结如下:本文首先研究了滑动窗口模型下基于距离阈值的离群点近似检测问题。针对此类问题,本文提出查询处理框架PBOAD(Partition-Based Outlier Approximate Detection)。PBOAD首先利用分片技术对滑动窗口进行划分,以此为基础,提出基于M-Tree的索引PMT(Partition based M-Tree)管理各分片数据。再次,PBOAD使用带概率误差保证的离群点预测算法过滤安全对象,降低算法复杂性。本文随后研究了滑动窗口模型下基于kNN平均距离的离群点近似检测问题。针对此问题,本文提出查询处理框架GAOAD(Grid-based Average Outlier Approximate Detection)。首先,GAOAD提出基于网格的索引管理流数据分布概要信息,研究了单元格粒度自适应调整规则,根据kNN平均距离离群点自适应地调整网格粒度从而达到高效过滤的目的,其次,介绍了基于小顶堆的单元格搜索算法维护安全对象,再次,提出候选对象维护策略支持离群点检测。本文从流环境下离群点检测现存问题出发,针对离群点检测的关键技术展开研究,理论分析和实验验证了PBOAD和GAOAD的高效性和准确性,研究成果可为高效支持数据流环境下的离群点检测奠定基础。