孤立点检测作为大数据研究中的一项重要技术,在网络监测、电信和信用卡欺诈、金融证券服务等各大应用领域中都发挥着巨大的作用。孤立点检测的目的在于找出一个数据集中与大多数对象行为显著不同的一部分对象。在众多的孤立点检测方法中,基于聚类的方法因其不需要预先知道数据集的分布和参数少等特点而脱颖而出。但是目前基于聚类的孤立点检测方法中,一部分方法仅通过优化聚类算法来提升孤立点检测的效果,另一部分仅聚焦于簇内孤立点的发现。因此本文通过对这两种类型的方法进行分析融合,提出了新的算法并完成了一个新的系统,主要研究工作如下:（1）提出一种基于k-means的融合局部和全局信息的孤立点检测算法。该算法首先使用k-means进行聚类,其次根据基于密度的类内孤立判定得出候选孤立点集,最后根据基于距离的类间孤立判定在候选孤立点集中得出最终的孤立点集合。并将该算法与3种孤立点检测算法在7个经过数据预处理的数据集上进行了实验,通过一系列的评价指标对比验证了所提算法的有效性。（2）提出了一种基于k-means误差损失的孤立点检测算法。该算法以k-means算法作为局部搜索过程,采用增量方式逐步确定数据集中的非孤立点,最终将未选中的点确定为孤立点。并且将该算法与3种孤立点检测算法在7个经过数据预处理的数据集上进行了实验,通过所给出的评价指标验证了所提出的算法可以更精准地检测出数据集中的孤立点。（3）设计并实现了一个基于MATLAB的孤立点检测系统。该系统包括数据集选择、算法选择、参数设置和实验结果可视化等功能。系统集成了本文所使用和提出的孤立点检测算法,操作简单,界面清晰,运行高效,并且具有很好的可移植性和交互性。综上所述,本文针对基于聚类的孤立点检测方法存在的问题,提出了新的解决思路。并且设计实现了一个新的包含本文所提出算法的孤立点检测系统,可以更好地帮助用户运用孤立点检测算法解决生活和工作中遇到的问题。