异常检测是数据挖掘领域常用的一种手段,其中基于聚类的异常检测技术最为流行。目前已经提出了多种聚类算法,主要分为划分、层次和基于密度的聚类算法。基于密度的聚类能处理任意形状的簇结构,并且易于实现,因此该算法变得非常流行,其中DBSCAN算法最具代表性。由于其在识别噪声数据方面的性能,因此也常被用于异常数据的检测。但在实际应用中,DBSCAN算法时间复杂度较高,执行效率较低,不利于处理海量数据集;且对输入全局参数敏感,不利于处理非均匀数据集。本文从以上问题出发,提出了解决方法,主要工作包括以下几个方面:首先,为了降低算法的运行时间,结合MCMC(Markov Chain Monte Carlo,马尔可夫链蒙特卡洛)采样方法对DBSCAN(Density-based spatial clustering of applications with noise,简称DBSCAN)进行改进,提出了一种新的聚类算法,称为DBSCAN++。其基本思想是优先扩展拓展能力较强的核心对象。理论分析和模拟实验表明DBSCAN++相对于DBSCAN聚类准确性相当,而DBSCAN++具有更低的运行时间。因此,DBSCAN++是一种有效的聚类算法。其次,针对DBSCAN++参数敏感性问题,结合核密度估计理论,提出了一种基于自适应策略的DBSCAN++改进算法,称之为A-DBSCAN++。其基本思想是根据核密度估计理论来动态确定扩展节点的局部密度阈值MinPts。在实验中,通过与DBSCAN++进行比较,结果表明A-DBSCAN++的准确性提高了,且依然保持较低的运行时间。