随着互联网技术在21世纪的迅速普及和发展，互联网对于社会经济的发展产生了深远的意义，人们的生活越来越离不开互联网。近年来，电子商务的出现，通过网络进行的电子商务交易行为更是呈现出了爆炸式的增长趋势。但是与此同时，诸如信用卡消费欺诈、黑客入侵等信息安全事件也是层出不穷。这些异常事件，在海量的数据中的抽象出来就是异常值。因此，在海量信息中对异常值进行数据挖掘，具有重要的意义。　　 异常检测，又被称为异常数据挖掘，离群点检测等，是数据挖掘中一个重要的研究领域。异常检测旨在检测出不符合期望行为的数据，因而适合应用于故障诊断入侵和欺诈检测以及数据预处理等多个领域。目前，已经有很多种异常点挖掘算法被人们提出，例如基于统计的方法、基于距离的方法、基于偏离的方法等。　　 针对异常值检测过程中可能出现拖尾和掩盖的现象，以及可能解的空间过大，本文首次将自适应遗传算法应用于异常检测领域。介绍了遗传算法的基本概念和理论基础，在自适应遗传算法上进行了一些改进，当染色体的适应度值低于群体的平均适应度值时，引入一个随机产生的影响因子ω，并用于异常值的检测，这样不仅可以对所有的样本点同时进行处理，尽量避免了因为数据识别的先后顺序而影响实验的结果，而且使得算法可以尽早收敛到一个最优解。　　 最后，在一些数据集上进行了试验，并对结果进行了分析。实验结果表明，该算法可以有效的发现数据中的异常值。