作为区块链技术最成功的应用,近年来比特币在投资领域和学术领域备受关注。依托密码学、时间戳技术、P2P网络技术等,一方面比特币在金融投资市场不断火热、市值一路飙升;另一方面,也正是由于去中心化、匿名性等特点,加之监管手段的缺位,比特币系统成为不法分子的作案工具,暗网交易、勒索诈骗、洗钱等一系列违法犯罪案件频繁爆发,为公安工作和网络空间安全带来严峻挑战。随着机器学习技术的不断进步,使用机器学习技术对比特币异常交易进行检测的研究越来越多,并且在规模巨大的交易数据中也取得了很好的效果。本文综合分析了现有研究方法,针对异常检测技术、比特币交易异常检测方法进行了深入的探究,将比特币交易异常检测映射为机器学习的二分类问题,针对特征提取和算法选择两方面加以改进,具体工作如下:第一:在特征提取方面,针对传统的检测方法将交易视为交易网络中的孤立节点,存在对潜藏在网络结构中的交互信息挖掘不充分、异常模式表达能力不足的问题。依据复杂网络同质性原理,提出一种基于特征融合的比特币网络异常交易检测方法。借助链路预测相关理论知识,首先利用节点相似性定义采样邻域节点序列的随机游走方式。然后从原始节点出发,通过一定路径选择概率下的随机游走以生成邻域节点序列从而获取邻域节点特征作为交互关系下的节点内隐信息。在此基础上,为了发挥原始特征和内隐特征的互补性,将二者映射到统一的特征表达空间。最后将经过堆叠自动编码器降维处理的最终特征集利用RF分类器以验证本文特征提取方法在异常交易检测方面的效果。通过设计实验,在不同的特征提取方法下构建如KNN、XGBoost等异常检测领域经典的分类器,对比验证了本文构建的检测模型和特征提取方法的有效性。第二、在检测算法方面,针对传统的单一检测算法准确性和泛化性能不足,以及现有的并行集成方法缺乏对基学习器的选择组合和关注数据的局部性等问题,本文借助LSCP算法建立检测模型。同时,在LSCP算法中利用不同研究视角的单一算法生成异构基学习器,以增加基学习器之间的差异性。经在前人提供数据集上进行实验并对比研究方法,实验结果表明,本文方法具有更好的综合检测能力,结合本文特征提取方法能进一步提升整体检测效果。