情报分析是一个交叉型领域,已发展多年。基于复杂网络相关算法对人（账户）、物、组织、真假事件及相互关系的感知、理解、预测进行情报分析研究,从基于社会/物理/网络空间中人类电子足迹的大规模社交关系网络中,通过人交互的频繁或异常模式挖掘来快速识别和检测事件,是情报分析框架IAF中理解模块的关键算法。本文围绕异常模式挖掘问题,开展了如下工作:首先,提出了一种通用的频繁模式挖掘算法GCFPM。该算法的主要思想是,基于深度优先搜索对全图进行遍历,得到一个由五元组编码组成的图编码线性序列,利用最右路径扩展的思想进行扩展和匹配,快速挖掘出频繁模式。该方法优化后可以有效提高时间效率并节省空间成本。其次,提出了面向复杂网络的异常模式挖掘算法GCAPM。该算法以第一步提高效率的频繁模式挖掘算法为基础,给出对应的“异常模式”的形式化定义,包括定义两个支持度阈值suppσ1和suppσ2来挖掘出异常模式,并可视化结果,通过与频繁模式的比较,分析不同情形下的异常模式可能产生的原因。最后,对上述研究方法进行了实证分析。利用某商业银行的交易数据构建金融交易网络,从中挖掘出异常模式。针对银行交易时可能产生的异常行为,验证出该算法可以挖掘出这样的异常模式,有助于发现金融领域中潜在的情报,帮助研究人员进一步的情报分析。综上,本文基于复杂网络理论,依据情报分析框架IAF中理解模块的异常事件检测功能,完成了上述两个模式挖掘算法。提高了算法效率的基础上,用某商业银行的真实数据进行实证分析,证明了异常模式挖掘算法的应用价值,给出实际应用中可能存在的异常行为的解释,具有重要的实际意义。