在知识发掘处理（Knowledge Discovery Process）中，数据清洗是一个非常重要的阶段，旨在提高数据质量，从而为后续的数据分析和建模提供可靠的基础。在数据清洗阶段，主要涉及以下几个方面的处理：

A: 异常值处理 - 异常值处理是数据清洗的重要组成部分。异常值可能是由于测量错误、数据输入错误或其他原因导致的，需要在数据清洗阶段进行识别和处理，以免对后续分析产生不利影响。

B: 缺失值处理 - 缺失值处理也是数据清洗的关键任务之一。缺失值可能会影响数据分析的准确性和模型的性能，因此需要在数据清洗阶段进行填补、删除或其他适当的处理。

C: 预测结果可视化输出 - 预测结果的可视化输出通常属于数据分析和结果展示阶段，主要用于帮助理解和解释模型的预测结果，而不是数据清洗的任务。

D: 理解业务背景 - 理解业务背景是知识发现过程中的一个前期步骤，通常在数据准备和数据清洗之前进行。了解业务背景有助于明确分析目标和数据需求，但不属于数据清洗阶段的具体任务。

综上所述，正确答案是A: 异常值处理和B: 缺失值处理，这两项都属于数据清洗阶段的任务。