近年来,随着移动通信业务地不断发展,移动网络的终端用户人数愈来愈多。根据工信部的数据显示,截止2020年6月,中国移动的4G用户数为9.47亿户,中国电信和中国联通的4G用户数分别为3.43亿户和3.1亿户,4G用户总数合计达16亿。移动网络的迅速发展在为人们的生活带来便利的同时,也存在一些信息安全隐患。一些用户会利用移动通信网络传播恶意信息、垃圾信息或是虚假信息,还有一些用户会出于商业目的进行电话或短信营销,或是出于非法目的进行欺诈。上述这些用户统称为异常用户,异常用户的存在不仅会干扰正常用户的日常生活,也对移动运营商的正常运行造成了不利的影响。因此,为了营造健康有序的移动通信网络环境,准确高效识别异常用户具有十分重要的现实意义。本文在总结了国内外用户识别方法的基础上,首先阐述了递归特征消除法和两类集成学习方法:Bagging和Boosting,并基于LightGBM作了改进研究,设计了RFE-LightGBM、RF-LightGBM和XGB-LightGBM算法。然后本文基于联通用户的通话行为数据、短信行为数据和App或网站访问行为数据进行数据预处理,包括数据去重、分类统计、特征合并、时间段划分、区域划分、特征衍生等,并利用相关性检验剔除高度相关的特征。在此基础上,本文为了探索正常用户和异常用户的差异性,对其特征统计量和特征分布作了对比分析。此后,本文分别运用LightGBM、RFE-LightGBM、RF-LightGBM和XGB-LightGBM建立联通异常用户识别模型,并通过准确率、F1值和AUC对比分析上述四种模型的预测效果。本文的研究结果表明,中国联通的正常用户和异常用户在特征均值和特征标准差上均有明显的差异性。基于Boosting的LightGBM方法对联通异常用户都有较好的预测效果,模型的准确率都在80%以上,对比四种算法,本文设计的XGB-LightGBM算法能有效提升模型的预测效果,它不仅准确率达到了90%,且AUC值达到了0.77。因此,本文的研究成果不仅有助于提高联通异常用户识别的准确率,且有助于联通公司营造健康的通信网络环境。