随着区块链技术的广泛应用,网络钓鱼这种传统的网络空间安全问题也出现在了新兴的区块链加密货币生态系统中。由于加密货币交易中的钓鱼欺诈相对于传统网络钓鱼具有自身的特点,许多现有的网络钓鱼检测算法并不适用。为了在加密货币交易场景下实现钓鱼用户的有效识别,本文分别讨论了以太坊网络钓鱼欺诈检测中的节点分类与图分类等两种模型,并在本文采集的以太坊交易数据集上进行了实验,结果表明这两种模型具有较好的性能,可以为区块链加密货币网络的钓鱼诈骗行为检测提供一种有效的新思路。本文的具体研究工作包括:（1）在图节点分类模型中,首先通过手动提取特征与分类器XGBoost结合,证实了时间因素在以太坊钓鱼用户识别的问题上具有重要作用;其次融入交易图的非线性特征,即图结构特征,通过Graph Embedding实验结果显示,加入图结构特征之后效果更好。由于在以太坊交易图中大部分节点都是正常用户,钓鱼节点的占比很低,因此在图节点分类问题中存在较为严重的类不平衡问题。为了解决这一问题,本文在考虑以太坊交易中时间特征的基础上融合了Graph SMOTE模型,该模型不仅更加科学地解决了类不平衡问题同时还提高分类效果,即F1、AUC以及ACC得分均达到了95%。（2）在图分类模型中,本文在传统图卷积神经网络的基础上,研究构建了一种新的高性能区块链加密货币网络钓鱼诈骗检测模型。该模型在所构建区块链加密货币交易图上,首先将交易图根据发送和接收两个方向划分为Sender图和Receiver图;接着,对图中的边特征进行转移;最后,使用双层图卷积进行特征学习后送入分类器进行诈骗行为检测。该模型在从以太坊收集的实际数据集上完成训练后,在测试数据上获得了88.02%的准确率和88.14%的F1得分,可以有效的识别加密货币场景中的钓鱼交易。