信息时代的数据存储技术使存储海量数据成为可能,数据挖掘作为一个新兴的研究领域,正在试图通过探索大数据量、复杂的数据类型以及建模技术来解决信息过载的危机,并使得对海量数据进行建模和知识提取成为可能,因此数据挖掘技术融合多种学科如统计学、人工智能、机器学习、模式识别、数据库技术等,广泛应用于社会生产的各个领域。其中,离群值挖掘(Outlier Detection)作为数据挖掘中的一个重要分支,其主要目的是找出数据集中与剩余的数据相比显著相异或存在明显偏离的一小部分对象,并对其进行分析从而获取有用知识。基于“一个人的噪声可能是另一个人的信号”的观点,即数据集中极少数的异常观测数据可能隐藏着我们感兴趣的信息或隐含更大的研究价值,因此离群值挖掘算法的研究和改进具有重要的理论价值和实际意义。本文首先从机器学习的角度对各类离群值挖掘算法进行了分析研究,并在此基础之上针对侦测欺诈交易的实例进行研究,主要工作如下:(1)对数据挖掘中的离群点检测算法进行了深入研究,包括基于统计分布、基于距离、基于密度、基于聚类以及基于偏差的离群点检测方法;(2)从机器学习角度按照无监督、半监督、有监督的学习方法对离群点检测模型分类介绍,然后阐述了一般的模型评价准则和实验方法,特别给出了针对本文侦测欺诈交易案例的离群点检测模型的评价指标即提升图、PR曲线、标准价格的标准化距离;(3)在R语言中分别设计并实现了上述三类离群点检测模型包括LOF模型、简单贝叶斯模型、AdaBoost.M1模型、半监督的自我训练模型,并用于某企业具体的侦测欺诈交易报告案例,按照跨行业数据挖掘过程标准即数据处理、建模、模型结果分析评估等步骤对其进行分析并得出最终结果。