不确定数据作为一种新型的数据模型,被广泛应用于金融、基于位置的服务、移动物体监测、传感器网络等许多类型应用领域。近年来出现的面向不确定数据的分析处理技术已成为数据库、数据挖掘等领域的研究热点。不确定性的存在给研究人员带来了新的挑战：一方面,传统的数据挖掘技术中的基本概念都是面向确定数据的,需要扩展后应用于不确定数据；另一方面,不确定数据对应的可能世界模型中的实例数量是指数级增长的,会增加挖掘算法的复杂度并增加运行时间、内存占用率等资源消耗。基于此,在了解和掌握数据挖掘基本概念和相关算法、不确定数据的产生背景及数据模型特点的基础上,本文主要研究了不确定数据的聚类和异常点检测问题,旨在为不确定数据提供更为多样的聚类分析和异常点检测功能。同时,对本文所提出的算法进行大量的相关实验分析,实验结果证明了提出算法的有效性和高效性。本文的主要贡献体现在以下几个方面：(1)本文提出了一种障碍空间中不确定数据聚类算法OBS-UK-means (Obstacle Uncertain K-means),为了保证聚类准确性的前提下提高算法效率,分别提出了基于R树和Voronoi图的两种剪枝策略和最近距离区域的概念。通过实验验证了OBS-UK-means算法的高效性和准确性,同时证明了剪枝策略在不损害聚类有效性的情况下,能够有效的提高聚类效率。(2)本文提出了基于密度的局部不确定数据异常点检测算法。首先提出了一个新的基于密度的局部异常点的定义,其次,为提高算法效率,提出基于动态规划的方法进行异常点检测。最后,设计相应的剪枝策略以降低存储代价并提高算法的效率。(3)本文提出了基于不确定数据流参数可变的异常点检测算法。首先根据不确定数据流上异常点的性质,提出了可以有效检测不确定数据流中异常点的算法CUOD (Continuous Uncertain Outlier Detection)。其次为了提高算法效率,提出了通过估计异常点的概率而进行剪枝的算法PCUOD (Probability pruning for Continuous Uncertain Outlier Detection)。然后,为了满足用户在不同时刻对异常点查询参数有不同的需求,提出了不确定数据流中参数可变的异常点查询算法。(4)本文提出了面向不确定数据流基于距离的异常点检测算法。首先针对特定的不确定数据模型提出了异常点的定义,同时设计动态存储结构,以满足算法在检测效率和存储空间两方面的要求。其次,为了降低近邻查询的代价以进一步提高算法的效率,提出了基于SM-tree (Statistics M-tree)的近邻查询算法。最后,为解决异常点定义中涉及的参数过多,造成用户难以得到理想查询结果的问题,提出了不确定数据流top-n异常点查询算法。综上所述,针对分析不确定数据所面临的挑战,本文提出了几种面向不确定数据的聚类和异常点检测算法,是对现有不确定数据挖掘技术的有益补充。理论分析和实验结果均证明,本文所提出的算法在准确性、执行效率及存储代价等方面,均优于现有算法。