异常检测是一种重要的数据挖掘手段,它的目标在于发掘与大多数对象不同的对象,这部分对象被称为异常点或离群点。在实际应用中,异常点往往包含了很多重要的信息,提前发现异常对规避未知风险和提高数据质量有着重要的意义。异常检测技术在网络入侵检测、工业故障检测、信用卡欺诈检测等众多领域都有着大量应用。然而在当前的大数据环境下,传统异常检测算法面临着高维数据稀疏性强、海量数据计算速度慢、不同场景下异常定义难等问题。针对上述问题,本文提出一种基于多分辨率网格划分的异常检测方法,主要工作内容及创新如下:（1）传统的异常检测算法针对不同的数据,往往需要调整不同的参数才能达到相应的检测效果,在面对大数据时,现有算法时间效率也不尽如人意。本文提出了一种基于多分辨率网格划分的异常检测方法NA,该方法首先引入一个鲁棒性较好的子矩阵划分参数,将高维数据划分到多个低维的子空间,使异常检测算法在子空间上进行,从而保证了高维数据的适用性;然后通过从稀疏到密集的多分辨率网格划分,综合权衡了数据点在不同尺度网格下的局部异常因子,最终输出全局异常值的得分排序。实验表明:新引入的子矩阵划分参数具有较好的鲁棒性,该方法能较好地适应高维数据,并在多个公开数据集上都能得到良好的检测效果。（2）NA算法特征处理模块需要引入子矩阵划分参数,虽然该参数具有较好的鲁棒性,但仍然需要人工设定。本文引入图的思想,提出了一种适用于高维异常检测的特征分组方法,不仅可以自动将高维数据划分到多个低维子空间,还尽可能多地保留了原有的特征信息。实验表明,该特征预处理方法不仅为基于多分辨率网格划分的NA算法提供了无参化的特征处理方案,还有着广泛的适用性和良好的性能。通过该方法预处理数据,多个传统异常检测方法在多个公开的高维数据集上都有不同程度地性能提升。