随着各种医疗设备在糖尿病诊治过程中的不断应用,医疗机构收集到了大量的糖尿病数据。在对糖尿病数据的分析中,异常检测一直都是数据分析人员和医疗人员重点关注的一个热点问题,即从收集到的糖尿病数据当中发现一些过高或者过低的血糖值、胰岛素值、血压值以及显著异于其他患者的糖尿病日常监测数据。同时,随着人工智能技术的发展,无监督学习方法在异常检测中得到了广泛应用。因此,本文利用无监督学习方法对不同类型的糖尿病数据异常检测问题进行了研究,主要做了以下三个方面的工作:（1）针对糖尿病静态数据（不同患者主体在同一时间的数据）存在特征维度多、异常数据少,以及已标注异常数据不够充分的问题,本文提出了一种基于特征选择与自动编码器的异常检测方法（FSAE）。首先,利用最大相关最小冗余特征选择方法,对高维糖尿病数据的特征进行重要性分析,提取出其中与异常具有最大相关性且相互之间具有最小冗余性的特征。然后,利用正常的血糖值、胰岛素值、血压值等糖尿病日常监测数据对自动编码器进行建模训练。最后,根据正常数据和异常数据的重建误差来计算各个数据的异常可能性,其中具有高重建误差的数据被认为是异常数据,反之则被认为是正常数据。实验结果表明,本文所提方法可以有效的检测出异常数据点。同时,也证明了本文所提方法具有一定的适应能力,在不同的糖尿病静态数据集中都有着较好的检测效果。（2）针对糖尿病时序数据存在生成迅速和概念漂移（糖尿病时序数据的统计分布规律会随着时间的发展而产生改变）的问题,本文提出了一种基于LSTM的糖尿病时序数据异常检测方法（AELSTM）。首先,利用两个LSTM网络分别对糖尿病时序数据进行预测,之后分别计算当前预测值和实际值之间的差值。然后,在每个LSTM网络当中针对差值数据,选择合适的滑动窗口,将滑动窗口内的差值数据进行分布建模,并计算差值数据在当下分布中的概率密度值。最后,利用差值数据在两个分布中的概率密度均值来计算数据的异常可能性。实验结果表明,本文所提方法可以在保持较低误报率的情况下,有效的检测出其中的异常数据。（3）基于本文所提出的两种异常检测方法,设计并实现了包含个人信息采集、异常判别以及异常预警等功能的糖尿病数据异常检测原型系统。首先,对该系统的设计方案与实现方法进行了说明,然后对系统的各个功能模块进行了阐述,并通过实验对系统的功能进行了验证。最后,实验结果表明,该糖尿病数据异常检测原型系统能够实现对糖尿病静态数据和时序数据的异常检测,并验证了本文所提方法的有效性。