随着区块链技术的发展,在线购物、比特币交易等数字货币交易平台极大方便了人们生活的同时,也沦为犯罪分子进行不法交易的场所,严重威胁了国家的网络空间安全。比特币作为一种典型的数字货币,其交易数据是公开的,这也使得借助于比特币交易信息分析进行去匿名化,进而识别非法交易地址成为可能。因此本文对比特币去匿名技术进行研究,探索比特币非法交易识别方案。现阶段比特币去匿名工作存在以下不足:（1）大多数的比特币交易刻画维度单一,交易特征反映不够全面;（2）交易类别间距过小导致类别易混淆。针对上述问题,本文从交易特征表示和分类模型改进维度对比特币去匿名技术展开研究,研究的主要工作及创新点如下:（1）针对比特币交易刻画维度单一的问题,提出了一种基于比特币交易地址混合特征的去匿名模型（MF-DM）。首次提出以比特币交易混合特征（交易地址统计特征与交易历史事务特征相结合）刻画交易。模型首先利用随机森林选择有效特征并构建交易混合特征,实现交易行为与交易类别的关联;然后结合Softmax多分类算法对特征进行分类识别。通过实验证明,交易混合特征能够从多方面有效地刻画交易行为,基于交易混合特征的MF-DM模型能够显著提升比特币交易分类效果,进而实现比特币交易的去匿名化。（2）针对交易类别易混淆问题,提出了一个基于比特币交易图的去匿名模型（GSF-DM）。该模型将交易数据转化为图结构数据,实现交易图与交易行为的关联。采用图神经网络提取交易图特征,并结合AM-Softmax扩大类别边界,构建分类模型,进而更准确地对各类别地址用户进行检测。通过Elliptic公开的交易数据集测试,该模型能够实现更好的分类准确率,改善类别混淆问题,提高分类效果。通过对比特币去匿名技术的进一步探索,提出利用交易地址混合特征、交易图特征结合相关分类模型进行比特币交易去匿名。对后续比特币去匿名技术的研究具有一定的借鉴参考意义。