基于近邻的离群点检测方法根据数据对象周围的邻居来挖掘离群点，但该类方法受阈值参数的影响较大，且大多只在数据分布单一的情况下表现良好。针对数据分布多样的情况下离群点检测困难以及阈值参数的敏感性问题，提出了一种基于自适应距离的离群点检测算法。首先，通过动态地调整数据属性的贡献因子，使得关键属性在离群点检测中具有更大的影响力，能够准确反映关键属性与离群点之间的关联性；其次，综合考虑属性贡献因子和密度来计算数据对象之间的距离，以便更好地识别数据对象之间的位置关系和密度分布特征；最后，为了降低阈值参数的影响，逐步增大邻居的大小来计算数据对象的自适应距离的变化之和，将其累加作为离群得分。通过在人工合成数据集和公共数据集上进行实验，验证了提出的算法检测精度更高。
