随着金融系统快速的网络化、数字化发展,金融交易机构每日处理的资本流动可达千万以上量级,其中隐匿的非法交易活动屡禁不止,如传销、洗钱等。从海量交易数据中高效的检测传销行为,及时打击经济类违法活动,是相关侦查部门普遍面临的难点。传统的人工分析检测模式已无法适用于大数据环境,构建以人工智能技术为核心的智能化传销行为检测方式意义重大。目前,传统的传销等异常交易行为检测方法还很大程度上基于人工构建的规则体系,或大多情形下依赖于人工判断,耗费人力物力。在当前的大数据环境下,这些劳动密集型检测方式还面临着耗时、低效等问题,难以发挥大数据资源的价值。本文针对传销行为检测领域存在的问题深入研究和分析,结合机器学习算法等提出了实用高效的传销行为检测方案。首先,针对异常交易账号识别问题,本文提出了一种基于多重局部注意力机制的时序神经网络模型,以及一种金融时间序列构建方法。该模型可以利用多个局部注意力窗口自适应提取金融时间序列中离散复杂的交易行为特征,实现异常账号识别任务。此外,本文还构建了标准双向Gated Recurrent Unit(GRU)神经网络模型和传统的基于注意力机制的GRU神经网络模型。实验结果表明,本文提出的模型在异常交易账号检测任务中达到了90.5%的准确率和85.8%的F1值,在所有模型中取得了最好的效果。其次,针对传销异常交易模式发现问题,本文提出了一种敏感金额模式挖掘算法。结合长距离模式挖掘算法和敏感金额模式提取算法,来发现传销敏感金额共现模式以及敏感金额集合。实验测试精确率平均达到90%以上。此外,基于本文敏感金额集合提取的敏感账号集合中,传销账号准确率达到82%。再次,针对传销组织高层节点发现问题,本文提出了一种角色挖掘相关的高层节点发现模型。该模型提取敏感账号集合,以此构建账号交易特征向量并进行聚类,以实现传销组织高层节点角色发现。实验精确率,可以达到84.7%。最后,基于上述研究内容设计并实现了传销行为检测系统。为金融交易网络中的传销账号识别以及敏感金额、组织高层发现等问题提供了切实有效的处理方法。测试结果证明了,该系统可以达到预期设计目标。