“9.11”事件后,涉罪数据(Crime data)的搜集、挖掘和相关数据库的建设引起了各国安全部门的重视。涉罪数据的分析与挖掘旨在分析犯罪心理、行为和相关规律,提供隐藏线索、协助破案,遏制犯罪。目前许多犯罪从毒品走私,诈骗到抢劫等恐怖活动大多是以团伙方式进行的,相关执法部门以及情报收集部门意识到掌握犯罪团伙的网络结构对犯罪调查以及防止犯罪发生的政策研究有很重要的意义。针对此问题,研究者们提出了用社会网络分析(Social Network Analysis,简称SNA)方法来构建和分析犯罪团伙,即犯罪网络分析(CriminalNetwork Analysis)。目前关于犯罪网络分析的研究主要是基于经典集合论展开的。但是经典集合论只能表示确切的概念,只能表现“非此即彼”的现象。而客观事物的类属往往并不十分明确,现实中大多数的对象并没有严格的类属性。本文所研究的犯罪团伙即是如此,其中很多个体成员的类属是具有模糊性的,例如,联系两个或多个犯罪子团伙的中间人,在隶属于哪个子团伙上具有“亦此亦彼”性。针对犯罪网络个体成员隶属具有模糊性的客观特性,本文研究了基于模糊集合论的犯罪网络分析方法。首先,在研究分析了犯罪网络分析技术和相关数据挖掘技术的基础上,本文提出一种基于模糊层次聚类算法的犯罪网络划分方法。此方法在将犯罪网络进行划分的同时,可以找到隶属具有模糊性的个体,即联系两个或多个犯罪子团伙的中间人。然后利用模糊层次聚类方法的分析结果,本文提出一种基于隶属度的犯罪网络核心挖掘方法。该方法通过剪枝隶属度值低于阈值的节点,减少计算量,提高挖掘犯罪网络核心算法的效率。此外,利用“9.11”事件解密数据分别进行了实验,验证两种方法的有效性。最后对本文的研究内容进行了总结,并提出了进一步的研究方向。