随着互联网金融的快速兴起,以数字化形式存在的数字化货币逐渐延伸出与现实物品进行交易的货币职能。随着中国、英国等各个国家积极进行数字货币的开发与立法,数字货币在人们的生活中发挥着越来越重要的作用。然而,随着经济全球化的普及,数字货币以其通信的便捷性和匿名性得到了国际犯罪集团的关注,犯罪分子利用不同国家对数字货币监管策略的不同,通过买卖数字货币或以数字货币作为支付方式实施洗钱等犯罪行为。传统的反洗钱技术多以逻辑回归或聚类算法进行单个交易行为的洗钱识别,然而目前交易网络日益庞大,洗钱行为趋向复杂化、集体化,传统的模式识别已无法满足当下对洗钱行为识别的要求。近年来高性能硬件飞速迭代,算力得以快速增长,以卷积网络为代表的深度学习方法在交易网络上得到广泛应用,其中图卷积网络方法尤为突出,以2019年提出的Evolve GCN动态图卷积网络模型为代表,为洗钱行为甄别提供了新的研究思路。图卷积网络的出现解决了反洗钱领域难以获取数据关联性和数据结构特征的难题,但当其应用于反洗钱领域,仍存在以下三个问题:（1）图卷积网络研究多应用于静态图问题,但在数字货币交易研究中,图结构是动态变化的,这一动态性也是需要重点关注的特征之一,传统静态图卷积网络无法很好捕获交易网络中的动态特征,从而在召回率上一直处于较低水平,即使以如Fast GCN等静态图卷积网络的变体仍无法解决此类问题。（2）现有的动态图卷积网络,如Evolve GCN、GCN-RNN联合训练则存在时间开销大,精度提升不明显等问题。（3）日趋集体化的洗钱行为需要更加丰富的节点特征才能进行颗粒度更细致的模式识别。同时数字货币交易网络存在因样本类不均衡导致模型训练精度不佳的问题。针对以上问题,本文设计并提出RGCN（Recursive Graph Convolutional Network,递归图卷积网络）模型。本文的主要工作是在最大加密货币相关标记交易数据集Elliptic上开展特异性构图基础上,进一步提出包含了结构卷积层,时间卷积层和图嵌入层的RGCN模型框架,该框架的创新点如下:（1）区别于现有的动态图卷积网络Evolve GCN的两层动态卷积架构,本文在结构卷积层仅采用一层动态卷积结构设计以降低应用动态卷积网络带来的巨大时间开销,并通过对比Evolve GCN-O和Evolve GCN-H结构在洗钱行为识别下的精度,选取了最适合数字货币反洗钱监管场景需求的LSTM演化架构来提高RGCN模型对于交易图结构变化的敏感性。（2）本文提出的RGCN模型与现有动态图卷积网络Evlove GCN模型架构相比,还进一步增设了时间卷积层。时间卷积层利用基于卷积网络设计的TCN模型降低提取时间特征的时间开销,并将特征在空间和时间两个维度进行融合统一。（3）针对传统图卷积网络本身卷积层数越多,信息丢失越多的情况,本文提出将RGCN的输出层设为图嵌入层,即利用特征拼接的方式来改善两层卷积后特征信息丢失的情况。最后通过引入随机森林来降低样本类不平衡导致的误差,从而保证在反洗钱的应用场景中在不降低精确率的情况下提高召回率,使得整个框架效果满足反洗钱场景的业务需求。实验结果表明,本文所提出的基于动态图卷积网络模型的反洗钱策略相比现有模型不仅在Elliptic数据集上提高了5.2%的精确率和8.1%的召回率,且在时空开销上仅达到双层动态图卷积网络的70%,同时在其他数据集上也表现出较好的优越性。