随着互联网、物联网等新兴技术的应用发展,当今世界已经进入到大数据时代。这些大数据数量庞大,关系复杂,但是当中只包括数量极少的有价值的数据,即异常数据。这些异常数据有些是负面的（比如工业中的警报）,有些则是正面的（比如新闻中的好消息）。面对泛滥的数据,研究如何快速准确地从中发现异常数据具有重要的理论和实际意义。本文以大批量数据为研究对象,旨在研究异常数据的发现方法和发现模式。依据数据类型,将研究内容分为针对结构化数据的异常发现方法、针对非结构化数据的异常发现方法,以及异常之间相关性发现方法。论文的主要研究工作包括:1.基于极值析取法的多变量报警预测方法。针对结构化多变量报警数据,提出了基于极值析取法抽取报警特征变量的方法。该方法采用构建的回报函数衡量待测变量与报警的关联度,仿照马尔可夫链的处理方式,逐一从众多监测变量中发现与报警相关的变量集;最后在相关变量集构成的数据样本上,采用机器学习算法构建多变量报警发现模型,以提高预测模型的准确度。将该方法应用到风机覆冰报警问题,构建了风机覆冰预警模型,经真实风机数据检验,该算法能发现与风机覆冰报警相关的变量,并取得很好的预测效果。2.基于特征簇的异常文本辨识方法。针对非结构型文本数据,提出了文本异常特征簇概念;在传统的用于发现文本特征的CHI统计算法中融合了改进的TF-IDF词频权重,在此基础上设计了文本异常特征簇的发现算法。文本异常特征簇对文本分类的描述,相较于文本特征,表达更加准确,可以进一步提升文本分类准确性。最后,在文本特征簇的基础上,构建了文本向量空间分类模型,用于快速准确判断待测文本是否归属于某文本类。以从公网获取的招投标公告数据作为文本数据集,以每位用户关注的数据集作为文本异常类,进而采用上述文本特征簇获取方法获取每位用户的文本特征簇,之后对实时获取的数据采用文本特征向量空间分类模型进行分类,分类结果表明要比传统的文本特征分类准确的多,效果较为理想。3.基于伪时间向量的报警间相关性研究。针对异常之间相关性的研究,以时间序列报警数据为研究对象,采用改进后的凝聚层聚类算法完成报警数据聚类;进而以时间先后为方向,提出了报警在时间维度上伪向量关系;为了度量伪向量关系的强弱,提出了以条件概率量化两类报警间的相关性。以此为基础,设计了报警间矢量相关性挖掘算法,用于从大批量报警数据中统计分析报警类间关联度;采用预设的相关度阈值完成强关联关系取舍。获得的报警间关联关系可以用于预测报警的后向传递方向和传递概率。将该方法应用在某电厂的报警数据中,取得较好的效果。