随着经济的发展，金融体系的日益复杂化以及互联网技术的高速发展，国内外洗钱活动有日益猖獗的迹象。洗钱交易是指通过一系列的金融交易操作将违法所得的收益变成从表面上来看属于合法收益的过程。从洗钱交易的特点来看，这些交易有一定的预先计划性、隐秘性以及特定性。犯罪分子通过精心策划，进行大量表面合法的交易来掩饰其违法的真实情况。目前，世界各国对反洗钱都极为重视，反洗钱的监管得到了社会各方面的广泛关注，人民银行针对反洗钱出台了各种监管政策来识别反洗钱交易。按照人民银行的规定，各个银行依法展开了对反洗钱的甄别及监测工作。但是，目前商业银行的反洗钱监管主要依靠大量的人工操作，具有工作量大、步骤繁琐、效率较低、同时容易出现误判漏判的特点。而随着人工智能、数据挖掘技术的发展，利用先进的技术来自动甄别洗钱交易成为各个银行机构逐渐重视的工作。
　　本文以LS商业银行为研究对象，首先分析了该银行反洗钱监管的现状以及存在的问题；其次，为了能够建立数据挖掘模型对洗钱交易进行识别，本文结合相关文献、理论研究以及实际工作情况设计了反洗钱交易监管指标体系；第三，本文建立随机森林、BP神经网络模型进行实证分析，并与目前人工初步筛选流程进行对比分析；最后，在实证分析结果上提出了相关建议。
　　本文的结论如下：（1）目前LS商业银行的反洗钱流程存在信息技术落后，依靠大量人工规则判断，识别率较低等问题；（2）为了解决LS商业银行反洗钱中监管指标较少的问题，本文参考相关文献、理论并结合实践经验设计了客户信息、客户行为、交易特征等三大维度的二十三个指标，这些指标作为数据挖掘模型的特征输入，刻画洗钱活动的特征，通过随机森林模型对这些指标的重要性进行排名，验证了本文设计指标的有效性，丰富了当前的监管指标体系；（3）为了解决目前LS商业银行反洗钱大量依靠人工规则判断且识别率较低的问题，本文建立随机森林模型、BP神经网络模型对反洗钱交易进行识别。并通过实证分析对比了随机森林模型、BP神经网络模型及人工初步筛选的性能，其中随机森林较为稳定，预测准确率为91.7%；BP神经网络的预测准确率为84.6%；人工初步筛选的准确率为75%。从运行效率来看，人工初步筛选耗费的时间远高于使用随机森林模型及BP神经网络模型。因此，通过本章的实证分析可以看到，随机森林、BP神经网络模型在预测准确率上对比人工初步筛选在准确率有了一定的提升，而在运行效率上随机森林及BP神经网络在测试集合上的运行时间小于0.05秒，而人工初步判断耗费了7210秒，识别效率有了极大的提升；（4）在实证建模分析基础上，本文提出商业银行可以优化反洗钱内部监管流程、应用更多的反洗钱技术及完善反洗钱监管指标体系。
　　通过本文的研究，为将数据挖掘、人工智能等先进技术引入反洗钱的自动预测提供了重要的参考依据。