近年来,随着加密数字货币的迅速发展,其种类愈加丰富。加密数字货币带来诸多方便和财富的同时也滋生了洗钱、敲诈勒索、黑市交易、赌博等违法犯罪行为。与传统的货币不同,加密数字货币为犯罪分子提供隐蔽交易形式的同时会暴露出他们独有的行为方式,研究人员通过加密数字货币的交易时间,交易地点,交易数目等一系列特征行为来分析当前这笔加密数字货币的交易是否合法。加密数字货币交易合法性的检测面临两方面问题:一方面,只有少数加密数字货币的交易属于违法交易,而大多数交易都不存在异常,两类样本极度不平衡。另一方面,由于数据量庞大,人工难以进行全部标记,且受限于领域专业知识,标注人员无法高准确度地标注数据,因此数据中存在大量数据未被标记的情况。因此,在复杂的加密数字货币交易中准确分辨出合法交易和违法交易颇有挑战。为解决这两方面问题,本文提出基于互信息图神经网络的加密数字货币违法交易检测算法,主要研究内容分为以下两点:（1）将互信息和传统的交叉熵损失函数相结合,得到基于互信息先验的损失函数,并将其用于缓解加密数字货币违法交易检测数据集中正负样本不平衡问题。首先,利用互信息的思想,从已知标签信息中得到与标签先验有关的偏移量。然后,将与标签先验有关的偏移量应用到每一个图神经网络的输出中,以此缓解类别不平衡问题。实验结果表明,在加密数字货币违法行为检测中,使用互信息先验损失函数的方法比传统用于处理数据不平衡的方法可以取得更好的效果。（2）将互信息和自监督学习相结合,得到基于互信息自监督图卷积神经网络模型,用于处理数据集中存在大量未标记数据的问题。其核心是使用互信息来最大化图的全局特征和局部特征,并通过图的全局特征和局部特征来构建正负样本对。正样本对的局部特征是将当前节点通过图卷积神经网络之后的特征,全局特征是整个图中节点通过图卷积神经网络之后节点特征的均值;负样本对的局部特征是将图中节点的顺序打乱,再通过图卷积神经网络输出节点的特征,全局特征也是整个图中节点通过图卷积神经网络后节点特征的均值。通过判别器对正负样本对打分并训练网络模型。最后将原始数据输入到自监督学习训练好的图卷积神经网络模型中,获取新的节点特征,再将其输入到一个二分类器进行分类。实验结果表明加入基于互信息自监督图卷积神经网络的加密数字货币违法行为检测模型比不加入自监督的模型有提升,并且在此基础上加入基于互信息先验的损失函数之后模型效果得到更大的提升。