目前,国家正积极推进区块链技术和经济社会的融合发展。然而,数字货币作为数字经济基础设施,其保护隐私的特点使其成为了犯罪分子开展非法活动的“温床”。该现象为国家促进数字经济发展,打造安全、稳定、健康的金融环境带来了挑战。因此,从海量交易数据中识别异常交易带来的安全风险,形成监管体系,推动数字经济健康发展,已成为目前数字货币监测监管的重要挑战之一。数字货币的交易账本均是公开访问的。目前,针对数字货币异常交易行为的识别的主流方法是采用资金流分析方法或机器学习方法。但这些方法存在局限性大、时效性差,以及识别准确率有待提高的问题。因此,本文选取以太坊数字货币作为研究对象,提出了一种高效、自动、准确,且能够解决局限性大、时效性差的问题的异常交易行为识别方法。本文的研究问题本质为一个分类问题,因此本文采用机器学习分类方法,实现以太坊异常交易行为识别。本文主要工作如下:（1）针对数据采集问题,首先部署Blockchain Data Service以太坊全节点,实现以太坊交易账本的实时获取;然后利用第三方网站,收集了已被验证交易行为的交易账户。（2）提出了一种基于传统机器学习的识别体系。该体系中的特征工程方面,针对如何选取有效特征以提高训练所得模型性能的问题,首先根据所有交易记录,针对每个样本账户进行了交易属性的特征提取,构成样本数据集,并将全部样本集输入ET模型,得到各特征的重要程度值,从而确定了基础特征的选取方案。分类器方面,本文选取了逻辑回归、决策树及朴素贝叶斯分类模型作为该体系中的分类器。（3）提出了一种基于图神经网络的识别体系。该体系中,首先针对需要同时考虑交易网络结构特征和交易属性体征,提出了一种基于网络嵌入的特征提取方法。然后在分类器方面,选取了图卷积神经网络模型,以提高分类模型的准确性。实验结果表明,本文提出的基于图神经网络的以太坊异常交易行为识别体系可达到95%的准确率,体现了该体系在以太坊欺诈交易识别问题上的优秀表现。