数据挖掘是在海量的数据中提取隐含的、未知的、潜在有用的知识或信息模式的决策支持方法。聚类与孤立点检测是其中的重要组成部分。算法的两个重要评价标准是算法的可伸缩性及算法的精度。本文的研究内容来源于科技部的资助项目数据挖掘系统ScopeMiner,该系统集成了数据挖掘算法研究的最新成果,开发自主产权的数据挖掘工具。聚类与孤立点检测子系统是挖掘系统ScopeMiner中的一部分,它集成了两类高效、高精度的聚类与孤立点检测算法。本文设计与实现了基于网格的聚类算法和基于密度的聚类与孤立点检测算法。在此基础上,实现了聚类与孤立点检测子系统。基于网格的聚类算法是一种有效处理低维海量数据的算法,对高维数据集效率较低。本文分析了现有的基于网格的聚类方法的特点及适用范围,提出了基于CD-Tree的聚类分析算法CDT,设计了两种剪枝优化策略以提高算法的效率。通过在真实与人工数据集上的测试,验证了CDT算法的有效性。提出一种新的基于密度的聚类算法,具有两个方面的优势:第一,算法利用线性回归分析方法发现密度区域变化的边界,对同一个密度区域中的点利用DBSCAN算法进行聚类,从而获得了多密度级别的类;第二,算法结合了DBSCAN算法和孤立点检测算法LOF可以同时进行聚类和检测孤立点。利用真实数据集与人工数据集对算法进行了测试,验证了算法的有效性。集成以上聚类与孤立点检测算法,设计与实现了聚类与孤立点检测子系统。介绍了子系统主要的数据结构、算法实现流程,利用真实数据集展示了子系统的使用方法。