微博作为一种流行的社交网络工具,吸引了众多网民的使用和参与,加快了信息的传播,提升了互联网的经济价值。与此同时,一些恶意用户的行为,也对人们造成了伤害,对虚拟网络环境和现实社会带来了恶劣的影响。如何有效识别出这些恶意用户,一直是社交网络建设和发展中的一个重要问题和热点研究方向。本文以新浪微博为对象,研究微博恶意用户的识别方法,从用户特征分析和构建学习模型的角度,对恶意用户进行识别。主要工作包括:首先进行特征数据集的获取和整理,在进行人工数据标注的基础之上,利用半监督聚类算法进行数据标注,并对原始特征提取和目的进行分析。引入了SVMRFE,基于随机森林的特征选择方法和PCA降维三种特征分析方法,并逐一进行了实验,挑选出各方法的最佳特征集合。其次,引入了两种机器学习模型。第一,在实现先前流行的机器学习模型基础之上,引入了集成学习性能较为突出的XGBoost算法,对其原理和特征选择策略进行了介绍。第二,以传统全连接神经网络为基础,根据微博用户特征的关联分析,提出了一种基于特征关联性的集成神经网络(INN-FA),并对Adam优化器进行了介绍。实现了两类模型的搭建与验证。通过比较普通机器学习算法和集成学习模型,并与全部微博原始特征集和不同特征选择算法筛选出的特征集合进行交叉实验,得出集成学习方法普遍优于普通机器学习算法,并且SVM-RFE+XGBoost组合方法可获得96.54%F值的最佳性能。在特征选择方法对比上,SVM-RFE的普适性要优于基于随机森林的特征选择和PCA方法。针对神经网络模型的比较,采用Tensorflow深度学习框架搭建Adam+INN-FA模型,对比特征选择前后的全连接深度神经网络和使用传统梯度下降方法的INN-FA模型,以95.49%的F值验证了Adam+INN-FA模型在识别性能上的有效性。同时该模型的独特优势在于能够降低结构复杂度,增强了特征输入灵活性。最后,为了进一步验证提出模型的通用性,选取Twitter公开数据集对模型进行验证,实验结果表明,使用全部30个原始特征,在神经网络的对比上,Adam+INNFA模型的性能媲美全连接神经网络,同时XGBoost算法在全部数据集上的性能最好,略优于原作者提出的随机森林模型。进一步对该数据集进行特征选择,保留了8个重要特征的SVM-RFE+XGBoost组合方法仍能以97.68%的F值优于其他特征选择组合模型和使用原始数据集的其他模型,证明了该组合模型的有效性。