随着大数据技术的发展,数据量不断扩大,源源不断的数据中很可能包括异常数据、欺诈数据等,这些数据会带来严重的影响,不仅会影响人们的生活、工作,而且会影响社会甚至国家的安全。故检测出异常数据、欺诈数据已经成为迫在眉睫的工作。这些数据都属于非平衡数据,非平衡数据是数据集中不同类别的数据数目相差很多,这些异常数据需要我们学习它们的特征并进行有效的预测。现有的非平衡数据处理方法有数据层面和算法层面的方法,数据层面的方法的弊端是当数据量增大时,处理所需的时间复杂度会呈倍数增长;算法层面的方法包括机器学习的方法、深度学习的方法和集成学习方法等。随着深度学习的发展,神经网络技术也逐步发展,在异常检测或者欺诈检测中,神经网络技术因其可以模拟人脑功能的基本特征,从而有着识别率高、稳定性好的特点。另外考虑到异常数据标签数据少以及人工标注的成本较高的特点,引入半监督学习的概念,半监督学习通过将无标签数据加入到有标签数据的训练中,从而提高分类器学习的性能。本文在此基础上对异常检测做出如下研究:(1)调研了异常检测技术国内外研究现状和发展趋势,对前人的研究成果进行了归纳和总结,对现有主要的异常检测算法的理论和方法进行了研究,总结了这些方法的不足之处。(2)提出了代价敏感的深度置信网络分类方法,用于解决异常检测中的数据不平衡问题,以及针对传统的DBN不能有效地解决非平衡数据的缺点从而引入代价敏感学习技术在softmax层添加误分类代价使得DBN对非平衡数据的分类具有敏感性,从而提高分类准确率。(3)针对第(2)点提出的代价敏感深度置信网络方法以及手动设置误分类代价的弊端,提出了动态代价敏感的深度置信网络方法。实验在多个公开的非平衡数据集上进行,采用ROC曲线作为分类模型评价指标,并与传统的非平衡处理算法进行比较,取得了较好的实验效果。(4)提出了融合半监督学习与动态代价敏感深度置信网络分类方法的算法,并将该算法应用到欺诈数据集中,通过在该数据集上进行实验并采用评价指标进行度量,该算法可以取得较好的实验结果。