恶意检测是预测在线社交网络(OSN)中异常帐户或节点的问题。由于该问题适用于多种任务（例如恶意URL或用户内容分类），因此已引起计算机安全领域研究人员的广泛关注，识别恶意帐户的问题也得到了广泛研究。但是，常规方法，例如基于规则的统计方法、甚至一般的学习方法，都无法应对用户和数据量不断增长的动态环境。因此，基于用户特征分析来检测恶意内容类型（例如垃圾邮件和恶意软件）的学习模型成为当前研究的热点之一。
　　本文专注于恶意帐户分类，主要利用二分类的概念和学习方法。首先，本文收集了广泛的OSN特征数据，包括用户配置文件、文本内容和URL网址信息等作为实验数据集。在此基础上，利用在多个领域取得广泛成功的深度学习技术，本文研究了一种具有学习功能的分类器，以优化分类结果。同时，本文对与恶意帐户问题有关的多个方面进行了深入研究。最后，将本文方法与当前一些主流方法进行了实验比较，表明本文方法对恶意帐户识别具有更高的准确性。
　　本文在恶意帐户分类方面的主要贡献包括以下方面。首先，提出了一个具有大规模OSN数据集的动态CNN模型，其中包括一个URL列表、用户注释和用户配置文件，以构建基准数据集。利用这一基准数据集，通过提取各种OSN特征来构建有效的分类模型。为了对恶意帐户问题进行识别，采用监督学习方法对的恶意用户和正常用户进行区分。
　　其次，提出了一种具有池化函数的深度学习分类模型。不同于一般的分类器模型，本文在深度学习网络模型的隐层中设计了具有动态池化作用的池化函数，以提高神经网络训练的准确性。URL分类是OSN阶段预连接前进行恶意帐户检测的关键一步。为此，将本文方法应用于URL特征数据集，对URL进行分类。根据实验结果，本文提出的具有高斯函数的RunPool池化操作的深度学习分类模型可以产生更高的精度，并且损失分数很小。
　　再次，提出了一种具有所谓RunOut正则化函数的用于对恶意评论进行分类的学习方法。将正则化函数应用于深度学习分类模型的隐层，可以有效地解决神经网络的过拟合问题，改善模型的训练结果。实验表明，该模型在用户评论数据集的恶意帐户检测方面可以取得很好的效果。
　　最后，提出了一种具有名为RunMax激活函数的深度学习分类模型。本文在CNN的最后一层开发了一个名为RunMax的函数作为激活函数。它是一种通用的激活算法，可以提高神经网络的性能，用于训练用户属性数据集。通过使用RunMax，在相同的调整参数和实验环境下与其他学习算法相比，本文算法可以对假账户获得更高的识别精度和很小的成本损失，具有更好的性能。