异常检测是寻找或识别异常值（与数据集中正常模式不一致的值）的方法或过程,具有十分广泛的实际背景和巨大的现实应用潜力。例如,发现异常驾驶车辆对交通系统的正常运行起到辅助作用、异常股票交易识别有利于股市的健康发展、桥梁裂缝异常检测对工程安全起到关键作用、异常网络入侵识别保证用户安全隐私等。由于问题的重要性,异常检测受到越来越多的关注。目前,异常检测中一些常见算法如2、孤立森林、LOF、神经网络重构等算法已取得了一定的效果,但仍存在误报率比较高以及时效性较不理想的问题,不利于方法的进一步推广,这可能是不同行业异常值种类特征复杂造成的。基于上述背景,本论文从不同视角关注下述三个方面的异常检测问题,并对相应的算法进行改进:第一,基于自动编码的第二近邻异常检测。实际场景中,异常值少但种类复杂的特点影响算法的性能。本论文利用自动编码提取数据特征后,借助于孤立森林对第二近邻数据进行异常值识别。另外将集成的思想引入来克服孤立森林参数主观选择的问题。利用DAMI数据库中的三个数据集,使用5个性能指标与LOF、孤立森林、Fast ABOD等七种经典算法进行对比,发现新算法的整体性能具有显著提升。这同时也证明了异常值类型对算法效果具有不可忽视的影响。第二,基于聚类的异常检测集成算法。针对目前对异常值类型特征关注的空白,本论文使用聚类分割数据,用不同参数下的LOF算法分别对每类数据打分,进而建立样本异常值得分之间的相似度矩阵,根据相似度矩阵的度来选择最为相似的异常检测器,并将运行模型保存为PKL文件格式,在下次预测数据时,直接调用PKL即可。新样本的预测结果由所有类检测的结果进行聚合,类聚合的权重为每个类与其他类的差异来表示。此外,为进一步探索异常值的类型特征,还将算法应用到现实保险数据集,发现4类异常索赔和对应的特征,并提供相应的解决措施。第三,针对时间序列数据,提出基于VMD的谱分析的时间序列异常检测以及修复算法。目前很多基于数据的重构的时间序列异常检测的算法被提出,通过将重构误差与提前设定阈值对比来识别异常值,这存在的问题是计算量大以及误差累积。本论文通过滑动窗口将VMD分解后的若干模态的特征提取出来,求解每个滑动窗口下的拉普拉斯矩阵对应的特征值和特征向量。由于特征值和特征向量代表矩阵的重要信息,利用第一特征和第二特征之间的变化来衡量窗口的异常程度。在识别出异常窗口的序列后,结合嵌入注意力机制的GRU神经网络和局部时间序列来修复异常值。最后,利用NAB-master数据库real Traffic数据集检测算法的效果,结果表明能识别全部异常事件。传统算法往往将异常值默认为一类数据,处理复杂数据时表现不尽人意。本论文则将异常值的种类考虑到算法设计中,以改善算法误报率偏高的问题。此外,不同参数设置对异常检测算法的判定有直接的影响,为了解决此问题,将集成和图的度结合来筛选参数,一定程度上克服参数主观选择问题。在此思想基础上,创新性地探索异常值种类特征,算法应用到保险索赔数据,获得具有现实价值的特征,为企业管理和运作提供理论依据。针对时间序列的异常值检测,通过特征值和特征向量的变化定义异常值,提升算法检测的敏感度,有助于缓解时间序列异常检测耗时高的问题。