近年来,移动社交网络(MSN)成为人们日常生活不可缺少的一部分。移动社交网络包括大量的社交成员,他们可以共同协作发送消息。但是恶意消息发送者干扰了社交媒体平台的正常运行,严重威胁了社交用户的安全。恶意用户会关注大量社交用户,并发布携带病毒和广告的链接,从而在移动社交网络中产生许多误导性消息。在本文中,提出了一种基于半监督宽度学习的社交恶意用户检测(ASSD)模型。由于在使用机器学习方法训练恶意用户检测模型的过程中,收集大量的人工标注或利用限制性规则标注的社交数据的成本很高,因此本文设计了一种高效的半监督学习方法。通过使用少量有标签样本和一些无标签样本来构建恶意社交用户分类器。与传统的监督学习方法相比,它结合了社交用户之间的相似度属性来建立高精度的恶意用户检测模型。此外,通过应用ASSD可以减少标记社交用户标签身份所需的时间和精力。同时本算法在预测过程的时间复杂度和计算复杂度较低。由于社交恶意用户经常更改其行为以欺骗社交平台的恶意用户检测模型,因此本文设计了一种增量学习方法来更新恶意用户检测模型,从而无需重新训练即可更新模型。本文使用社交数据集将ASSD与其他的监督和半监督机器学习方法进行比较。实验结果表明,该模型在召回率和精确度方面均优于基线方法,可以准确地识别出社交用户发送的恶意消息,从而保障移动社交网络的安全。此外,ASSD通过使用新生成的社交媒体数据更新模型来保持较高的检测精度,保证模型不被恶意用户所欺骗。