从数据整合中实现数据挖掘和商业智能,是数据整合的最终目标和提升数据价值的最好表现。90年代以来数据挖掘技术得到了快速发展,几乎每个月都有新的工具面市。与此同时,电子商务的兴起,对网络安全的迫切要求,金融、通讯领域的欺诈,网络入侵等频繁出现,使得数据挖掘技术中的一个新任务——孤立点检测(Outlier Detection),逐渐被人们所关注。孤立点检测和分析是一项重要的数据挖掘任务,研究孤立点检测的方法具有十分重要的意义。基于密度的孤立点检测方法在现有孤立点检测方法中有着很大的优势,但该方法在对中高维数据进行检测时推荐使用的索引技术在做K近邻查询(K nearest neighbors search)时的性能不佳,导致孤立点检测的性能不理想。在研究分析基于密度的孤立点检测技术的基础上,设计了一种新的索引结构,改进K近邻查询的性能,在此基础上,实现中高维数据空间下的基于密度的孤立点检测系统。课题的主要工作有:在K近邻查询性能改进方面,针对应用领域的背景,提出一种新的索引结构,综合现有两类重要的索引结构——X-Tree和VA-File的优点,改进它们在K近邻查询时存在的不足,给出相应的K近邻查询算法。在孤立点检测方面,利用新的索引结构,设计和实现了中高维数据空间下的基于密度的孤立点检测系统——VAXLOF。通过实验结果分析发现,新的索引结构在做K近邻查询时性能得到了提高,VAXLOF系统在孤立点检测方面也达到了有效检测孤立点的目的。