目前有很多针对正常与非正常案例甄别方面的研究,大多是研究如何人工建立区分标准或特征库,这类方法不仅使得前期准备工作量巨大,而且后期甄别能力有限,准确率也低,在很多应用领域有着明显的局限性。机器识别是人工智能的一个重要研究领域,近年来在工业生产、医疗、金融等多个领域广泛使用,但前期的工作依旧是依赖于专家设定标准,这种标准由于无法摆脱人的主观性,而使得甄别准确率大大降低。本文首先介绍了有关甄别正常与非正常案例的研究背景和最近的国内外研究现状,之后介绍了流程挖掘和数据挖掘相关的基础知识。针对现有的甄别方法存在的不足和缺陷,在总结前人研究经验的基础上,本文提出了一个基于流程挖掘的甄别模型(the detection model of normal and abnormal instances, DMNAI)。该模型通过频繁模式发现来提取案例特征,使用神经网络分类器进行检测,从而避免了人工设定标准的主观性。本文立足于框架的研究,还将DMNAI模型与现有的用于医疗欺诈与滥用检测过程的流程挖掘框架(a process-mining framework for the detection of healthcare fraud and abuse, DHFA)进行了比较。由于在DHFA框架中,特征的选择只是机械的查表工作,使得该模型的泛化能力较弱。DMNAI模型通过流程挖掘来提取特征,建立了一个更为应用广泛的检测模型。实验表明,DMNAI模型经过现场实际数据的验证,能有效地自动化甄别非正常案例。论文最后,以网上购物流程为实例,对该模型进行检验分析,证明了该模型的可行性和准确力。