随着大数据时代的来临,数据的获取效率不断提升,如何从海量数据中识别出与其他样本不同的离群点是生产活动中需要考虑的重要问题。现在已经有许多不同的异常检测方案被提出,用于解决离群点识别这一问题,但是这些方法都有不同的缺陷。例如需要足够的异常样本进行训练或者过于依赖参数选择等。而孤立森林算法相比于其他异常检测算法具有时间复杂度低、只需要小数据集进行训练、参数选择少等优势,但同时也存在训练过程中随机选取属性对样本进行划分导致检测结果可能不准确的问题。为了解决上述问题,本文通过粗糙集理论,利用粗糙集中判断不同属性的重要性的方法,与孤立森林算法结合,研究了一种基于定性数据聚类的孤立森林算法。具体工作如下:（1）在孤立森林算法中。选择属性然后对样本进行划分的过程是采用完全随机的方式。使用这一方法构造孤立树可能会忽略对结果影响程度大的属性,而选择对结果影响程度低的属性,导致检测结果的不准确。本文选择了定性数据聚类中利用聚类结果计算不同属性在信息系统中重要性的方法,筛选出相对重要的属性用于构造孤立树,并通过实验证明本文方法的效果。（2）为了证明本文方法在实际问题中的效果,使用了一个真实的信用卡数据集,用本文提出的方法检测其中的欺诈交易。并且在这个过程中,对于不同量级的数据集,本文方法对计算属性重要性的过程做出了一部分改进。通过将数据集切分成多个子数据集,然后分别采样计算在子数据集上的重要性,综合多个结果计算出属性重要性。最后经由实验证明了本文方法的有效性。