洗钱犯罪的背后往往关联着贩毒等犯罪活动,洗钱行为与正常交易行为特征不同,这是反洗钱工作的基础。随着经济的发展,洗钱手段不断升级,数据挖掘技术也在不断发展,本文的研究目的是将数据挖掘技术用于反洗钱工作,重点研究基于图及聚类分析的洗钱数据识别模型。本文首先介绍洗钱概念并分析目前数据挖掘技术在反洗钱领域研究现状,总结得出构建模型的理论基础。本文的核心部分为基于层次聚类的两阶段聚类模型及其改进。通过使用两种优势互补的聚类算法构建两阶段聚类模型,模型不仅能处理异常值,同时能有效识别洗钱团体。将洗钱特征分为交易特征和结构特征,交易特征可由原始交易记录获取,空间特征难以直接获取,本文提出使用图卷积神经网络改进两阶段聚类模型,利用图卷积神经网络提取银行交易网络图中节点的结构特征,使用特征融合技术融合交易特征及结构特征,作为识别洗钱数据的依据。在win10中安装PyCharm并使用python3.6实现模型,采用真实交易数据进行实验,实验结果表明,两阶段聚类模型能有效识别可疑交易,使用融合特征的可疑交易识别方法在检出率和漏报率上表现更优,有效提高了可疑交易识别的效率。最后,本文将模型运用到现有金融数据分析平台,总识别数减少321条,误报率降低10.67%,漏报率降低15%,有效提高了反洗钱人员的工作效率。