基于邻域的离群点检测算法,是离群检测的一个重要手段。但随着数据量和数据维度的爆炸式增长,导致其很难直接应用到高维数据中,而且不合理的参数选择导致算法的性能显著下降。针对上述问题,本文从减少参数对离群检测的影响入手,对基于邻域的离群检测进行了深入的研究,提出了适用于高维数据的离群点检测算法,其主要研究成果如下:（1）提出了面向离群检测的特征提取算法,FEOD算法。首先,通过迭代过程获得最优的信息熵阈值,来删除冗余特征,实现了数据矩阵的初步筛选;其次,引入并重新定义了类内距离和类间距离,将其作为线性投影的权重,用于提取具有良好识别能力的低维特征,提高了离群检测的效率。（2）在上述研究的基础上,提出了基于马尔科夫随机游走的两阶段离群检测算法,DLS算法。首先,采用均匀采样策略生成一系列三角剖分图,并引入移除规则得到节点的拓扑结构,从而获得由节点连通性定义的转移概率矩阵,有效减少了算法的计算量和运行时间;其次,采用加权投票原则重新定义重启向量,并将不同图上得到的平稳分布向量的平均偏差值作为离群点分数,有效的提高了算法的准确性。（3）在上述研究成果的基础上,利用QT+Pycharm作为开发工具,设计实现了一个基于特征提取的天体光谱离群检测系统,并从需求分析、系统架构以及软件功能等方面进行了详细的描述。其运行结果分析表明该系统为特殊未知天体光谱的知识发现,提供了一种有效途径。本文采用人工合成数据集和UCI数据集证明了FEOD算法和DLS算法的有效性,并与传统的算法相比具有更高的检测效率和准确率。除此之外,将其应用于天体光谱离群数据检测系统,为寻找离群的、特殊的天体提供了一种新途径。