目前针对庞氏骗局的检测方法最有效的便是结合机器学习的方法,但是选择的模型还是存在些许不足。人工检测的方法需要庞氏骗局的源代码,这个方法不能处理每天部署的数千个新智能合约和大量的非开源智能合约;操作码频率检测会导致潜在的庞氏骗局遗漏;账户特征检测则会简化的数据集,有可能导致模型过拟合,且检测性能较低。为解决目前存在的部分问题,进一步提升模型检测性能,本文采取综合效果最好的极端梯度提升（e Xtreme Gradient Boosting,XGBoost）模型结合稀疏感知算法,此方法通过对于样本数据中的缺失值自动学习分裂方向得到最优的目标函数,最后通过采用改进后的贪心算法进行模型性能的提升,提升智能合约中的庞氏骗局检测的三种评定性能,构建ROC（Receiver Operating Characteristic curve,ROC）曲线对比图。并且提出通过生成对抗网络生成新的样本数据,进而减少过拟合的构想。本文的主要内容和创新点如下:（1）结合改进后的贪心算法提升现有XGBoost模型的检测性能。针对以太网的智能合约中的异常交易数据检测,本文比较三种常用的机器学习模型的性能:支持向量机（Support Vector Machines,SVM）、随机森林（Random Forest,RF）、XGBoost。比较各个模型检测中的优劣,对于性能最优以及最实用的XGBoost模型结合改进后的贪心算法进行提升检测性能。本文构建的模型能有效提升了模型训练速度,减少模型的复杂度,并且有效提升模型的Recall、F-score以及AUC（Area Under Curve,AUC）值。（2）基于卷积神经网络（Convolutional Neural Network,CNN）模型检测区块链中的智能合约为庞氏骗局的概率。本论文通过CNN模型可以将文本数据输入图像处理模型中,便于以后用生成对抗网络模型生成新的样本数据,从根本上解决样本数量不足的问题。此外,本文中的CNN模型添加K折验证后除了性能有所提升以外还将各个账户中特征为庞氏骗局的概率识别分析出来,检测出庞氏骗局的概率热图,更加有效的提升了模型的准确性和可信度。用户只需将交易信息中的账户特征输入模型,便通过已知速率识别出该交易是否存在异常交易,如果提醒可能为庞氏骗局,则通过其他账户特征进一步确认标记。