随着我国支付行业“去现金化”趋势明显,银行卡应用场景逐渐拓展,这使我国的银行交易量级业务迎来大数据的时代,与此同时异常的交易量也在急速增长,不仅给银行业带来了极大的风险,而且严重地影响商户和银行客户的利益,造成了不同程度的直接或间接重大损失。因而异常检测设备中银行客户异常交易检测模型的构建是解决这些问题的关键,基于规则和一般机器学习的银行账户异常交易识别模型在学习比较复杂的序列化交易特征时,结果总是不那么尽如人意,而且需定期耗费大量资源总结交易业务和更新规则,造成资源消耗和增加时延。本文基于对银行业风控领域知识的学习和机器学习算法的分析研究,提出基于异常检测设备的三位一体的异常交易检测方式,从不同的三个角度分别对交易进行分析,第一个角度主要侧重于对银行卡用户相同群体间的交易行为分析,依据群体的同质性也就是共性特征来尽可能准确判断交易个体行为的偏差情况。第二个角度主要是侧重于与用户自身历史交易行为的比较,针对与客户在不同交易时期的历史交易行为的对比,进而精确发现用户历史交易行为的特点和规律识别出明显不同的交易行为。第三个角度从不同交易主体之间的相关关系出发,找出直接或间接的交易对象之间交易活动的内在关系,及时发现交易主体的上下家的隐性异常关系。并从不同分析角度需要上分别提取了用于识别异常交易行为的特征,针对不同角度用户交易行为特点的检测需要,分别采用了聚类分析、神经网络、路径发现算法等技术对数据进行训练学习,并结合银行用户的基本资料,根据三个子模型分别得出各自的检测结果,最后通过投票机制全面地综合各个方面的异常信息,给出最终异常判别的检测结果并完成模型的构建。通过上述方式,有效避免序列化交易特征学习能力弱和各笔交易记录内特征学习能力受限等弊端,以此提升银行账户异常交易识别模型的运行效率和性能。