数据是当今信息社会宝贵的资源,发现并利用潜藏在那些复杂数据集中的有用知识已成为科学决策的前提。数据挖掘技术通过关联规则、聚类及分类等方法实现从大量的、不完全的、有噪声的数据中,提取隐含在其中的、人们事先不知道的、潜在有用的信息和知识。离群挖掘是数据挖掘中的一项重要技术。所谓离群点就是那些明显偏离其它数据、不满足数据的一般模式或行为,以至于被怀疑可能是由另外一种完全不同的机制产生的数据对象。离群数据不等同于错误数据,有的离群数据可能蕴含着重要的信息。如欺诈行为、入侵行为、不寻常的消费行为等。因此,对离群数据进行研究具有十分重要的意义。离群挖掘可分为3个子问题:①在给定的数据集合中什么样的数据是被认为不一样的;②找到一个有效的方法来挖掘这样的离群点;③对离群点的合理解释,即离群点的内涵知识。已有的很多离群挖掘算法都只是集中于前两个子问题,即在检测出离群点后未能揭示离群点的内涵知识,而这个才是用户真正关心的问题,也是我们挖掘的真正目的。本文提出了一种基于关联空间的离群挖掘算法,能够找出造成离群点离群的最小属性集,揭示离群点的内涵知识——正是这些属性造成了离群点的离群。具体地讲,本文的研究工作主要包含以下几个方面:①研究了数据挖掘相关概念和技术,包括数据挖掘功能和分类、数据预处理、聚类分析及关联规则。②分析了k-means算法的优缺点,并总结了各种初始中心选取方法,最后提出了一种新的初始值选取方法。③对基于距离的离群挖掘技术进行了较为全面的分析和总结,设计了一种基于k-最近邻距离和的离群挖掘算法,介绍了基于分区的算法。④通过分析算法FindNonTrivialOuts,提出了一种基于关联空间的离群挖掘算法,并给出实验验证。