以以太坊（Ethereum）为代表的区块链平台开创性地引入智能合约以实现自动化的程序执行。这极大地拓展了区块链的应用范围,吸引了数以千万记的账户参与其中。数量庞大的以太坊账户可分为多种类别,如矿工、代币和交易所等。深入分析账户类别不仅有助于更加深入地理解以太坊系统,而且有利于追踪某些异常活动。然而,现阶段对以太坊账户类别的探索仍然很少。其中,最相关的研究是针对比特币的账户分类工作,但因比特币和以太坊的底层协议和用户模型不同而难以被应用于以太坊中。一种基于启发式和极大似然估计的以太坊账户分类模型被提出以实现以太坊账户的类别识别。从交易频率、交易金额、交易时间和交易数据四个方面对以太坊账户的异常特征进行系统性的分析。基于对各类别账户行为的深入分析,结合账户类别间的依赖关系,设计两阶段启发式算法对以太坊账户进行分类。由于启发式算法未能有效利用邻居节点信息且算法的覆盖率偏低,因此在启发式算法基础上,当邻居节点信息超过阈值时,利用极大似然估计原理对账户类别进行推断。通过多种方式收集大量账户标签对模型进行验证,结果显示模型的覆盖率最高为0.95,准确率最高为0.85。为验证账户分类模型的实用性,将账户分类模型应用于对以太坊的分析中。首先,对以太坊网络的动态演化进行分析,并得出如下结论:（1）独立矿工逐渐被联合矿工和矿池取代,这极大地削弱了以太坊的安全性;（2）仅有30%左右的独立矿工停止独立挖矿后加入矿池,而大多数选择离开以太坊,且该比例不随时间变化;（3）以太坊中与交易所或矿池相关的交易占据了很大的比重,表明以太坊与比特币在使用场景上十分类似。其次,对主要涉及交易所类别账户的套利行为进行研究,实验结果表明以太坊中存在大量的套利交易。