随着移动互联网时代的到来和大数据、人工智能等技术的发展,动态金融复杂数据的欺诈检测问题成为了金融反欺诈领域新的难点。实际业务中的动态金融复杂数据大体分为动态复杂网络和动态多模块缺失数据。金融业务中的动态复杂网络用于描述人与人各种动态的复杂关系。在真实的业务场景中,数据通常是从多种渠道收集的。这会造成了数据会随着时间动态改变而呈现多模块缺失的特点。传统的反欺诈解决方案主要有简单的黑名单规则、以社区发现为代表的无监督学习模型的和以线性模型为代表有监督学习方案。上述提到的解决方案均不适用于动态金融复杂数据。所以本文针对不同类型的动态金融复杂数据进行欺诈检测模型的改进。面向动态复杂网络,本文提出一种新的社区发现模型。该模型可以发现动态有权网络中的公共社团,并应用到欺诈检测领域。针对提出的社区发现模型,设计显著性检验和稳健性检验,并进行了多组数值模拟实验。数值模拟实验结果表明,在NMI指标下,本文提出的模型效果远超出基线模型。最后,面向本文提出的社区发现模型,我们给出了在DWSBM框架下的渐近理论。尽管第二章的工作集中在动态金融复杂网络上,但是本文的模型是通用的,也可以应用于其他领域的动态复杂网络。本文针对动态多模块缺失数据,给出在不填补缺失数据的情况下,对线性模型的最优系数估计。同样地,针对这一方法,设计不同的数值模拟实验并证明系数估计的渐近理论。数值模拟实验表明,本文提出的模型相较于基线方案,L2距离、均方误差、假阳性率,假阴性率都更低,有着良好的建模效果。