在线社交网络中的异常账号检测是当前数字经济中发展中的急需解决的关键问题之一。异常账号往往通过不良的互联网行为严重影响在线社交网络本身的用户体验以及社会信用体系。当前在线社交网络的异常账号检测主要分为有监督检测,半监督检测和无监督检测三种方案。有监督检测需要提前训练分类器,很难对未知行为进行检测;半监督检测由于无法纠正自身的错误,导致检测效果非常不稳定;基于图结构的无监督检测方案可能是更有前途的异常账号检测方式,但准确率不高和计算耗时长不具有时效性是限制其大规模应用的瓶颈。因此本论文提出了基于节点重要度的在线社交网络异常账号检测算法。通过将节点重要程度等直接与网络结构关联的量计入SybilRank算法中的幂迭代过程来实现更大程度保留节点本身的属性。更进一步的,据现有研究现状表明,目前还没有将关联关系和异常账号检测相结合的方法,本论文首次提出可以通过好友的关联关系检测在线社交网络中的异常账号,提出了建立节点重要性系数的含权压缩公式。本文对该算法原有的分布式并行系统进行改进,采用更适合图计算的基于BSP模型的以点为中心的分布式并行计算模型Pregel取代原来的Map Reduce来完成上述两种改进算法的快速计算,这有助于更大规模的在线社交网络的异常账号检测的实现。本文对多组不同规模的社交网络数据进行了检测,根据ROC曲线获得其最佳参数后,通过AUC值和马修斯相关系数两个判据从整体和极值点处进行检测效果评估。我们发现改进算法的准确率得到了大幅度提升,且随着攻击边的比例的增加,改进算法失效的速度更慢。而在攻击边的比例比较小的时候,改进算法得到的马修斯相关系数几乎接近了1。同时采用新的分布式并行计算模型相较原模型计算速度提升了约三十倍。本文最后还对比了单节点并行与多节点分布式并行的效果,找到计算峰值以确保计算性能以及计算资源的最大化利用。