随着互联网和Web2.0的快速发展,在线社交媒体已渗透到几乎所有的生活领域,包括教育、医疗、娱乐、商业等。然而,在带给人们各种便利的同时,在线社交媒体也成为试图执行非法活动并对其他用户造成危害的恶意用户的主要目标,因此针对这类恶意行为的异常用户检测技术已成为在线社交媒体安全研究的关键问题之一。在线社交媒体每天都具有动态实时性,而在以往的工作中针对动态社交媒体异常检测的研究较少,另外这些研究只考虑非加权或者无向网络,本文的主要研究内容聚焦于动态社交媒体异常用户检测,基于现有的异常检测方法,分别针对社交媒体中的异常个体用户和异常群体用户提出两种改进的异常检测算法。针对社交媒体中异常个体用户的检测,现有算法只能用于分析无向加权图,无法解决将用户交互状态映射成有向加权图模型的异常检测问题,因此本文在现有算法的基础上提出一种改进的基于自我网络结构演化的异常个体用户检测算法。本算法将一个动态社交媒体映射成一组有向加权图序列。通过比较时序上相邻的两个图中的节点、有向边以及权重的变化情况,筛选出可疑的异常节点集合。通过分析节点之间的结构连通性和亲密度传递性构建可疑异常节点集合中所有节点的核心网。最后通过比较节点在相邻两个图中核心网的变化情况,计算所有可疑异常节点的异常分数,具有高异常分数的节点被视为异常节点。实验结果表明改进算法能够有效检测社交媒体异常个体用户,降低了误报率。针对社交媒体中异常群体用户的检测,现有算法只能用于分析无向非加权图,无法解决将用户交互状态映射成无向加权图模型的异常检测问题,因此本文在现有算法的基础上提出一种改进的基于关系演化的异常群体用户检测算法。本算法将一个动态社交网络映射成一个无向加权图流。对图流中的每个图对象包含的边进行多次采样,从而生成流样本。根据流样本中的连通分量生成节点分区,即一个连通分量中的所有节点代表一个分区。根据边生成概率模型,计算每个图对象的异常分数,具有较高异常值的图对象被视为异常图对象。实验结果表明改进算法能够有效检测社交媒体异常群体用户,降低了误报率,并且提高了算法的计算效率。