数据中存在的异常会影响系统的决策,甚至会造成系统崩溃。因此,对采集的数据进行异常检测极为重要,本文将主要研究属性图网络上的异常检测问题。异常检测旨在识别不符合预期模式的数据或事件。目前在属性图网络上进行异常检测仍面临一些挑战:1)很多方法仅采用浅层模型,无法有效捕获数据中非线性的特征,而且忽略了网络的拓扑结构与节点属性之间的交互影响。2)多数方法采用固定的邻接矩阵来进行卷积操作,没有动态地对其进行学习表征。3)很多方法没有探索节点以及属性之间的相互关系,忽略了图网络中的信息传播,使相应的检测性能还需要进一步提升。为了应对这些问题,本文在以下三个方面展开了研究:1)本文提出了一个基于图卷积的双通道异常检测框架,分别用于重建网络的拓扑结构和节点属性。此深度模型可以有效地提取数据的非线性特征,并且构建了拓扑结构嵌入和节点属性重建过程中结构和属性的双向交互,提高特征学习的效率。2)本文提出了隐式邻接矩阵层,用于学习空域和时域上对应的节点最优邻接矩阵和属性最优邻接矩阵。其中,节点最优邻接矩阵整合了原有的固定邻居信息,并且能够动态探索特征空间的邻居特征;属性最优邻接矩阵用于探索不同属性之间的潜在关联,捕获网络中属性隐含的有效信息。3)本文引入了随机游走层,用于节点和属性之间的信息传播和特征整合。基于该机制的灵活性,本文所提出的框架可以得到不同节点以及不同属性之间的关联,从而有效提升网络中拓扑结构和节点属性的嵌入学习质量。本文在三个公开的属性网络数据集以及传感器网络数据集上开展了性能对比实验,证明了本文提出的异常检测方法的有效性和先进性。