在互联网的发展日益渗透到生活各个领域的时代,社交网络已经与现实交际圈越来越相似,甚至已经无法分割,这也逐渐成为人们日常交际生活中最重要的方式。网络时代的社交,极大的缩短了现实交际圈在时空上的距离,使得在世界上每个角落都能快速地发布消息和共享信息。随着人们越来越依赖于网络社交,网络社交中的各种行为和共享的信息对现实生活中的工作、家庭、社交和隐私的影响越来越大。大量复杂而混乱的信息在被人们接受的同时,也会潜移默化的对人们的决策与意识产生影响,甚至使人们的经济生活、家庭社会生活都收到潜在的威胁等。伴随着社交网络的快速发展,它的影响力的也越来越广,社交网络中慢慢出现大量的异常用户,在微博网络中尤为严重。这些异常用户泛指那些为了得到经济利益而散布大量虚假恶意信息的用户。本文在了解国内外关于微博领域的异常账户研究现状之后发现,当前的研究大都是基于单个的异常账户特征,这种缺陷造成了当前的识别方法只能识别出在单个环境下产生的异常账户,然而越来越多的异常账户,开始模仿正常账户的行为习惯,导致当前账户识别算法的效果渐渐地降低。因此如何深化单体账户的特征,批量发现新的异常账户的行为特征,快速准确的批量识别微博网络中的异常账户是一个亟待解决的问题。针对在线微博网络中群体性异常账户识别问题,本文首先设计了一种方法来描述账户的群体特征。在收集并分析大量新浪微博账户信息的基础上,提出一种融合账户属性特征、账户关系特征和账户行为时间一致性特征的账户群体特征提取方法,为每个账户建立群体特征向量。在群体特征建立后的基础上,本文提出了一个基于谱聚类的异常账户识别算法,首先,采用向量空间模型计算账户之间的相似度并构建一个账户相似度矩阵,最后,使用谱聚类算法对此矩阵进行聚类操作,从而识别出微博异常群体。在真实数据集上的实验结果表明,该方法具有较高的异常群体账户识别精准度。在上述工作的基础上,本文又提出了一种从时间效率角度更为优化的方法--基于自组织特征映射神经网络的异常群体识别方法。该方法通过优化自组织特征映射神经网络的参数,应用高斯函数做邻域半径降低变化、幂函数优化学习率的收敛,和对输出层神经元数量大小进行修改等,以此达到更好的异常群体识别效率。在真实数据集上的实验表明,此方法识别异常群体账户时间效率明显提升。