DBSCAN，这个1996年提出的密度聚类算法，尽管主要用于聚类，但其基于密度的特性使其也能用于异常检测。它的核心思想是基于样本的密度相连性，识别出低密度区域的异常样本。它不同于K-means，尤其在处理非球形分布数据时效果更佳，如太极图或笑脸图。
DBSCAN算法依赖两个关键参数：邻域半径R（eps）和最少点数目MinPts。前者定义了密度判断的阈值，后者则确定了形成簇所需的最小样本数量。核心点、边界点和噪声点的分类，以及密度直达、可达和相连的关系，构成算法运作的逻辑基础。
DBSCAN的聚类过程可概括为：从核心点开始，逐步扩展到密度可达的点，形成临时聚类，然后合并类似临时聚类，直到所有核心点都被处理。这个过程无需预设簇的数量，能发现任意形状的聚类，并能有效识别噪声点。
在实战应用中，如信用卡欺诈检测，DBSCAN表现出一定的效果，但对大规模数据集计算效率要求高，且对参数eps和MinPts的选择敏感。优点是无需预设聚类数，适应复杂形状数据，对异常点不敏感；缺点包括计算量大、对参数设置的挑战以及可能的边界点判断问题。