针对当前异常检测算法在处理时序性、不均衡的海量金融数据集时存在准确率低、误警率高等问题,本文从特征选择、不均衡分类等方面进行研究,提出一种基于条件动态互信息的金融数据特征选择算法、一种基于隔离森林的金融数据异常检测算法、一种基于SVM和KNN的金融数据异常检测算法。本文主要的研究工作和成果如下:1.针对特征选择算法在处理海量时序性数据集时,评价标准衡量因素片面化得不到最优特征子集问题,研究提出一种基于条件动态互信息的金融数据特征选择算法CDMIFS,该算法结合数据的时序性特点,从多方面衡量候选特征,在未识别样本上以条件动态互信息度量特征与异常类的相关性来获取特征子集。实验结果表明该方法可有效去除金融数据集中不相关数据,提高分类性能。2.针对隔离森林节点划分的随机性造成异常检测准确率低、误警率高的问题,研究提出一种基于异常代价信息增益率的节点划分标准,并根据该标准提出一种基于隔离森林的金融数据异常检测算法FA-iForest。该划分标准考虑属性在历史数据中与异常类别的加权信息熵,同时设置代价函数加大异常类误判的惩罚。实验结果表明,该算法可有效提高隔离森林对金融数据的异常检测能力。3.针对SVM和KNN算法在时序性、不均衡数据集上分类性能差的问题,研究提出基于SVM和KNN的金融数据异常检测算法SVM-KNN。该方法引入时序性特征,采用特征加权核函数,并对不同样本的惩罚因子设置权值,使用构建的SVM进行初步分类,KNN算法进行二次分类。实验结果表明,该算法可有效提升SVM和KNN在金融数据上的异常检测能力。本文研究贡献:引入特征在历史数据中对类别划分的贡献改进特征选择算法;引入特征在历史数据中与异常类别的加权信息熵,对隔离森林节点划分标准进行优化;引入时序性特征,提出一种基于SVM和KNN的混合异常检测算法;金融数据集上实验结果表明,优化所提出算法是有效可行的。