随着信息通讯技术与数字科技的进步,尤其是4G的发展以及5G的出现创造了一个高度交互的世界,从而建立了一个庞大的数字社会,这使人类的沟通方式变得更加简单,同时也大大提高了效率。然而,出于恶意竞争或巨大商业利益驱动,互联网也出现了大量的欺诈行为,如评论欺诈,金融欺诈和互联网广告欺诈等。由于欺诈行为本身具有良好的伪装性,不易辨认,加之网络上的信息量不断增加,使得通过人工检测欺诈行为困难大,成本高,且准确率不理想。因此,互联网领域迫切需要一些科学高效的检测方法来检测这些欺诈行为。最近,图神经网络已广泛应用于欺诈检测任务。图神经网络首先对不同关系下的相邻信息进行聚合,生成节点嵌入,然后利用最终的节点嵌入检测节点的可疑性。然而,传统的基于单一类型邻域聚合器的图神经网络无法从多个角度获取相邻信息,并且对不同的关系一视同仁,这不可避免地削弱了异构图的语义信息,同时,采用传统的拼接或平均操作来更新中心节点,这限制了图神经网络的表达能力。为了解决这些问题,本文提出了一种基于多邻域聚合器的异构图欺诈检测模型来执行欺诈检测任务。另外,欺诈者往往通过伪装的方式与良性实体连接到一起,这种欺诈伪装行为会严重损害模型的性能。本文又进一步设计了基于可训练邻居采样器的欺诈伪装行为检测模型。本文的主要研究内容和创新工作包括:（1）提出了基于多邻域聚合器的异构图欺诈检测模型（MAFD）现有的基于图神经网络的欺诈检测方法大多只使用单一类型的邻域聚合器来聚合邻域信息,导致模型只能捕获邻居信息的某个方面,并且在图神经网络的更新阶段使用传统的平均或拼接方式限制了图神经网络的表达能力。因此,本文提出了基于多邻域聚合器的异构图欺诈检测模型。具体来说,采用多种类型的邻域聚合器来聚合邻居信息,并利用聚合器级注意力学习不同聚合器的重要性。同时,使用关系级注意力学习各关系的权重。另外,传统的更新操作被向量的隐式和显式特征交互取代。在AMAZON和YELP两个数据集上的实验结果表明该模型有效地提高了欺诈检测的准确度。（2）提出了基于可训练邻居采样器的欺诈伪装行为检测模型（TNS）欺诈者往往通过伪装的方式与良性实体连接到一起,这种欺诈伪装行为将会严重影响到欺诈检测模型的性能。尽管大多数现有的基于图神经网络的欺诈检测工作能够取得不错的效果,但绝大部分工作忽略了欺诈者的伪装行为。因此,本文提出了基于可训练邻居采样器的欺诈伪装行为检测模型。该模型设计了可训练的邻居采样器来识别和过滤伪装的欺诈者。在AMAZON和YELP两个数据集上的实验结果显示该方法有效地识别和过滤了伪装的欺诈者,提高了欺诈检测的准确度。