在数字化时代,面临诸多虚假新闻、隐藏金融诈骗团体等情报分析的新问题,本课题组构建了基于复杂网络算法进行人（欺诈者）、物、组织、真假事件及相互关系的感知、理解、预测的情报分析框架IAF（Intelligence Analysis Framework）,从基于社会/物理/网络空间中人类电子足迹的大规模电商交易关联网络中,检测出符合特定模式的欺诈行为,是智能情报分析框架中理解模块的关键功能。本文围绕基于异常子图挖掘的欺诈检测功能的研究,取得了以下成果:首先,在IAF框架中定义了基于异常子图检测的欺诈检测方法,针对网络空间获取的数据,在复杂网络上挖掘“人-事”欺诈行为。该方法给出欺诈检测的形式化定义以及证明,同时结合网络属性对各种欺诈伪装模式具有很强的抵抗性。该方法的提出丰富了IAF框架,为本研究算法的提出奠定了理论基础。其次,提出了一种有效的无监督欺诈检测算法MRFS。该算法的主要思想是,通过对真实交易数据的分析处理,将源节点、目标节点以及之间的边的可疑度三者联系起来,在线性时间内递归求解。最后提出了一种先验树贪婪算法来不断优化子图的可疑度,从而确定最大可疑子图,达到识别欺诈账号和欺诈商品的目的。最后,利用开源电商交易数据对MRFS算法进行了实证分析。在大规模真实数据集上找出最可疑的欺诈子图,挖掘出欺诈模式,然后对欺诈模式进行理解与研究。利用对真实网络的处理,提取出真实网络中的欺诈模式作为情报,并针对该情报进行有效性分析,来维护消费者的合法权益。综上,本文基于复杂网络理论,依据实验室现有的情报分析框架IAF,按照该框架理解层的欺诈检测功能,实现了上述欺诈检测挖掘算法。通过在真实交易数据集上的大量实验,验证了欺诈检测算法MRFS的有效性,以及模型的线性可扩展性,能够给出实际应用中可能存在的异常行为的解释。检测出的欺诈模式可以作为情报,为决策者提供必要以及准确的情报支持。