采用逆近邻查询进行离群挖掘,是检测离群数据的一个重要手段。但是随着数据集的急剧膨胀,逆近邻查询出现枢纽现象,这对算法的性能造成了较大影响。本文从离群检测性能出发,对逆近邻查询中出现的枢纽现象进行了深入的研究。其主要研究成果如下:(1)提出了面向枢纽现象的双向近邻离群检测算法,HPOD算法和HPOD2算法。该算法首先引入并重新定义了对象的影响空间,在影响空间中,同时兼顾了对象的k近邻和逆近邻的影响作用,有效提高了算法的准确性;其次,引入了启发式信息,不仅考虑对象的离群程度同时还考虑其k近邻的离群情况,显著降低了k的取值,从而减少了算法的计算量和运行时间;最后,采用真实数据集,实验验证了HPOD算法和HPOD2算法同传统的基于枢纽现象的离群挖掘算法相比具有更高的效率和准确性。(2)为了加快上述研究工作在高维数据中的挖掘效率,本文对算法进行了分析,提出了基于剪枝策略的离群检测算法,在不影响HPOD和HPOD2算法准确性的前提下,显著提高了算法的效率。最后采用人工数据集、UCI数据集和光谱数据集验证了基于剪枝策略的面向枢纽现象的离群检测算法可以有效减少在高维数据集中的计算代价,提高算法的效率。(3)在上述研究基础上,采用java语言,并结合图形化界面编程java GUI、以Intelli J IDEA作为开发工具,设计并实现了基于剪枝策略的天文光谱离群数据检测原型系统。从需求分析、结构体系及软件功能等几个方面进行了详细分析,系统运行结果显示,基于剪枝策略的天文光谱离群数据检测原型系统可有效发现天体光谱中的异常数据,为天体光谱数据的异常分析提供有效依据。