一直以来,对引用网络的分析与研究引起了来自复杂网络分析学科和科学学科的广泛关注。传统意义上的引用常被用来评价一篇论文的质量。随着出版物持续不断地增长,引用也随之呈现量级增长。那么如何客观评估引用也就成为了各个相关领域争相关注的话题。然而在引用网络中存在着一些不合理的引用,例如被引用的文章和引用文章在内容上不相关。已存在的有关于引用的分析研究最初都只是关注内容上的无关性而忽略了学术实体间的复杂关系。这篇论文将提出一个新的研究话题,关于如何识别引用网络中的异常引用。本文首先定义了异常引用,并提出了框架ANCI,用来检测学术异构网络中的异常引用。框架ANCI建立在矩阵分解与网络表征的基础之上,不仅考虑了引用内容的相关性还考虑了期刊、论文与作者等学术实体间的复杂关系。为了验证框架ANCI的有效性,本文在Microsoft Academic Graph(MAG)和Digital Bibliography&Library Project(DBLP)的基础之上构建了两个异常引用数据集。然后本文将ANCI与其他基线方法以及ANCI变体分别在数据集上进行了对比实验。在这两个数据集上所呈现的最终结果证实了框架ANCI的有效性。为了进一步研究异常引用,本文充分利用了数据集CiteSeerX中的引用上下文信息。首先依据引用上下文对每个引用目的进行详细的划分并以此为基础计算引用上下文的关联性。其次,再计算引用文章与被引文章的差异性。综合引用上下文的关联性与文章差异性两者,我们将所得的数据进行概率分布统计。最终通过阈值的设定来进行异常引用的判断。本文在嵌入维度选择,相似性度量以及引用目的分类上分别进行了对比实验,实验结果证实了该方法的合理性。异常引用识别能够对引用的质量进行区分,不仅能够帮助我们对论文和学者的影响力做出正确且客观的评价而且对于学术公平具有深远的意义。