随着互联网技术在21世纪的迅速普及和发展，互联网对于社会经济的发展产生了深远的意义，人们的生活越来越离不开互联网。近年来，电子商务的出现，通过网络进行的电子商务交易行为更是呈现出了爆炸式的增长趋势。但是与此同时，诸如信用卡消费欺诈、黑客入侵等信息安全事件也是层出不穷。这些异常事件，在海量数据中抽象出来就是异常值。因此，在海量信息中对异常值进行数据挖掘，具有重要的意义。　　 自组织映射网络具有良好的拓扑结构保持、无监督学习以及可视化等特性，其研究的成果也已经被广泛应用于语音识别、分类聚类、图像处理、数据分类和预测等众多领域。本文将其应用于一个新的领域--用户的异常消费行为检测。但是该模型存在两个缺陷：一是要求必须预先定义好网络的静态结构；二是对高维数据的异常值挖掘时间结果不是很好。　　 根据上述提出两个问题，本文的研究工作主要在两个方面，一个是使用粗糙集技术在保留关键信息的前提下对高维数据进行降维预处理，为下一步神经网络的构造提供了一个良好的前置系统；二是引入并改进动态自组织映射网络，使网络的拓扑结构可以根据实际需要动态改变。根据这两个方面的研究，本文构造了一个基于粗糙集和神经网络弱耦合的异常值检测模型，并将其应用于对用户异常消费行为的检测上。　　 最后，通过仿真实验，验证了该模型在用户异常消费这个应用中的可行性和有效性。实验表明，该模型相较于标准SOM网络和基于距离的异常值检测模型在甄别率和训练花费时间两个方面均得到了不错的结果。