计算机中的边界点：

边界点是数据集中一类有着特殊意义的数据对象。它们位于基于密度的簇的边沿区域。边界点处理在数据挖掘技术中有重要意义，它们代表了一类归属并不明确的个体，如果单纯地依靠某种方法把其归类到一个特定的簇中，其效果往往适得其反。边界点不同于孤立点和噪声点。孤立点是一类在统计上处于少数地位的对象，噪声点是一类对统计产生干扰或者偏离一定分布的对象，它们通常位于数据空间的低密区域中，而边界点则不同，它们是数据空间中处于高密区域边沿的一类数据对象，它们的一侧是高密区域，一侧是相对的低密区域。

聚类技术的研究是近几年研究的一个热点，已经提出的许多聚类算法，但是，对聚类边界模式的探讨还不多。聚类的边界点是指位于高密聚类边沿的一类数据对象，它代表了游离在两个或多个类别之间的一类个体对象，其归属并不明确，它们常常具有两个或两个以上的聚类特征。边界点研究有着重要的应用价值。

Chen Xia等提出了聚类边界点检测算法BORDER，其边界点的定义如下：

定义 边界点(Boundary point)：一个边界点p是指满足下列两个条件的数据对象：

（1）它位于一个高密的区域IR；

（2）p的附近存在一个区域IR’，Density(IR) >> Density(IR’)，或者

Density(IR) << Density(IR’)。

聚类的边界代表了一种潜在的模式，对数据挖掘的着重要的意义。但是目前涉及的边界的算法并不多，对其的研究远远不够。

在DBSCAN算法中，提到边界点（Border Points）：一个非核心点对象，如果其落在某核心点的Eps-邻域内，则称之为边界点。一个边界点可能同时落入一个或多个核心点的Eps-邻域。

数学中的边界点：

同济大学高数六版释义：如果点P的任一邻域内既含有属于E的点，又含有不属于E的点，则称P为E的边界点。