随着金融业的蓬勃发展，我国金融业面临越来越多的安全风险。其中，将非法收入以各种形式注入金融体系的洗钱犯罪活动也在快速增长，给国家和社会带来了巨大危害。为了规避此类风险，确保我国金融业健康持续发展，建立健全的中国反洗钱监控体系也显得日益重要。从目前掌握的案例来看，洗钱犯罪活动主要表现为犯罪分子将非法收入通过银行和保险公司等金融机构，并利用其产品的复杂性将其转化为合法收入。目前，我国保险业反洗钱监控手段停留在依据法律规定设定筛选条件，但是保险企业自身对大额和可疑交易的筛选并无创新。本文着眼于我国保险业反洗钱监控的应用研究，根据既定的法律法规及保险公司的反洗钱经验数据，在现有的数据挖掘技术研究基础上，重点对决策树主要算法展开研究，本论文的主要成果概括如下：利用决策树CHAID算法、CART算法和QUEST算法对大额和可疑交易的相关关系进行分析，以获得影响大额和可以交易识别结果的因素。然后，在此基础上，通过设立错分成本对模型进行进一步分析，使得模型结果拟合度提升，最终根据模型结果使得保险企业能获得更加具体的筛选条件。实验数据表明，CHAID算法、CART算法和QUEST算法的模型拟合度基本持平，但是在大额和可疑交易识别的准确率上均未能达到理想水平。因此，本文在原有基础上进一步优化模型，设立错分成本，重新使用CHAID算法拟合模型，准确率大幅提高，具体表现为将大额和可疑交易的对象错分为良好信用客户的概率低于15%。在大额和可疑交易的筛选自变量范围中添加投保与退保天数间隔及缴费模式，并将之应用到现行保险业反洗钱监控系统中。分析了两种筛选情况的结果差异，证明了改进后的筛选条件能提高筛选的覆盖率和准确率，最后以此给出了对于保险业反洗钱系统政策上和技术上的建议,具有一定的现实意义。