近年来我国网民人数随着互联网的迅速发展而急剧增加,其中学生网民人数最多,截至2019年6月,学生群体占网民总人数的26.0%。部分学生网民在网络上发布的自杀、抑郁、欺凌、焦虑等信息称为网络异常行为信息,他们在微博、论坛、贴吧等平台使用文字、音频、视频、图片等信息表达自己的情感,其中发布的自杀倾向信息对社会影响最大,是本文研究的重点。传统的学生群体识别和自杀倾向检测方法因精确率不高已经不能满足当下的需要,随着大数据和人工智能的到来,用更加智能的方法检测就显得尤为重要。针对在校学生群体的识别,本文提出使用深度学习的中TextCNN算法,分别对TextCNN、FastText、TextRNN模型进行实验,对比发现TextCNN模型对于在校学生群体识别的效果最好。对于网络异常行为的检测,本文提出基于情感分类的网络异常行为检测,在情感分类的基础上,对情感负面的用户进行网络异常行为分析,重点是对具有自杀倾向的网络异常行为进行检测。自杀倾向检测的方法是首先利用TF-IDF算法提取关键词,用向量空间模型表示文本信息。然后分别对RF、KNN、LR、NB、SVM和DT等机器学习算法进行实验。对比发现,RF模型精确率最高。对于RF模型,通过加入人工构建的指标,再次进行实验对比发现,自杀倾向检测的精确度提高了1.7%。整个实验结果表明本文所使用的方法基本实现了在校学生网络异常行为的检测与预警。该方法可以快速获取具有自杀倾向的在校学生群体,将这些信息及时提供给相关部门进行预警,干预自杀行为的发生。