在医疗保险制度改革不断深入的过程中,参保覆盖面逐步扩大,医保欺诈现象也变得越来越频繁。医疗保险欺诈的行为有多种方式,例如违规使用医保卡,伪造医疗服务的虚假账单,甚至出现一些有组织的团体性欺诈犯罪活动,严重损害参保人利益和医疗保险基金安全。尽管已有多种欺诈检测方法被提出用于解决这个问题,但由于医保欺诈类型多样,医保数据具有高度隐私性和样本独立性,现有方法还无法有效解决这些问题。因此,需要一种仅涉及少量隐私数据,具有泛化检测能力的医保欺诈检测方法。图网络可以对现实世界数据关系进行完美映射,通过图拓扑结构发现数据本身存在的关联性,以及节点之间的潜在关系,为医保欺诈检测提供了新的思路。本文利用异构信息网络对医疗保险数据进行建模,根据患者的诊疗信息,依照真实就诊情境构建以患者为主体的异构医保信息网络,保留不同实体间的复杂关系。在此基础上,通过基于行为模式分析和社区检测方法挖掘可疑欺诈群体,同时提出一种基于邻居图聚合的自适应图神经网络,用于医保异构图的嵌入表示学习。具体工作和贡献如下:（1）针对医保联合欺诈问题,本文提出一种基于患者行为模式的群体欺诈检测方法,该方法将患者的就诊数据建模成异构图网络,并基于患者就诊行为的时序性异常,结合行为相似度对医保异构数据网络进行简化;之后,在简化的患者关系网络上进行社区划分,用以区分可疑群体;最后,通过已有欺诈样本和聚类系数进行评分,从而定位可疑欺诈群体和欺诈者。该方法在真实的医保数据集上进行了实验,结果表明,对比现有的欺诈检测方法,本文提出的方法拥有更好的性能表现,可以较准确地找出医保欺诈群体。（2）针对异构医保信息网络的表示学习问题,本文提出一种基于邻居图聚合的自适应图神经网络,用于异构图的嵌入表示学习,利用学习到的节点嵌入表示进行多种下游任务。本文提出的模型使用了不同层次的邻域采样方法探索患者间的潜在关系,并通过三层注意力网络,自适应学习医保异构图中不同对象对于目标患者的影响程度,包括邻居重要度、路径重要度以及邻居图重要度等。基于多层注意力机制和嵌套聚合方法,该模型可以充分挖掘患者节点之间的高阶关系和邻居图的潜在语义,从而提高节点嵌入表示性能。该模型在一个真实的医保数据集和四个通用的数据集上进行了实验,实验结果表明该方法拥有较好的性能和泛化能力。