随着世界人口的快速增长,如何对人为造成的风险进行管控和预防一直是近几年来国际关注和亟待解决的问题。在大数据时代背景下,人的属性、特征得以信息化,由人的行为产生的数据在总量和维度上不断膨胀,为学者们研究人员风险计算提供了可能。本文从风险计算理论的角度出发,延伸了风险计算中在风险识别方向上的研究,将异常子图检测算法与特定行为群体检测问题相结合,对特定行为群体的发现展开了相关工作。本文主要研究内容如下:首先,设计了特定行为群体检测框架。该框架从互联网下载或爬取的原数据出发,通过一系列的算子以及群体画像的类图对数据进行处理、提炼和分析,最后输出一个演化的异常子图集合,该集合即表示检测出的特定行为群体。其次,提出了一种新的异常子图检测方法——动态网络中的多异常子图检测模型DE-MASS。DE-MASS模型作为特定行为群体检测框架中的核心步骤,能够在动态网络的时间片中检测出多个异常子图,从而直观地观察异常子图随时间的演化过程。通过对比实验发现,DE-MASS模型在微博事件检测数据集中相比于其他对比方法具有更高的真正类率（TPR）。最后,基于爬取的微博数据集对特定行为群体框架进行了实证分析。通过开发爬虫程序与爬虫平台原型系统,爬取到微博上2011年9月至2012年9月共20亿条发帖数据,并对2012年9月游行示威事件在微博群体间的传播过程进行了案例分析,验证了特定行为群体检测框架的有效性。综上,本文成功将异常子图检测算法与特定行为群体检测问题相结合,为发现特定行为群体提供了新的思路,提出的特定行为群体检测框架能为群体风险防控者提供有效的信息支持。