随着移动通信技术与应用的迅猛发展,社会违法分子利用手机电话、短信等通讯手段进行电信诈骗,已经成了危害用户安全的一大问题;虚假放号是电信代理商出于盈利目的,私自激活号码并将号码伪装成正在使用状态的行为,给运营商带来了营销成本的浪费,工作效率的降低和管理难度的增加。因此,对虚假放号和电信诈骗的检测技术的研究具有重要的意义。本文的研究内容是通过对电信用户数据分析与挖掘,运用机器学习、神经网络等工具,构建对电信虚假放号和诈骗电话用户号码的检测模型,通过模型检测,甄别出虚假放号和电信诈骗的疑似用户号码,以助于运营商对这两类违法不当行为的提前防范和有效管控。本论文的主要贡献如下:(1)提出一种虚假放号检测模型。模型主要由统计学习模块和机器学习模块两部分构成。先通过统计学习模块获得一定数量的虚假放号用户的正样本,利用这些正样本辅助机器学习模块进行训练。机器学习模块基于K-means算法,通过聚类的方式找到疑似虚假放号用户,提高检测的覆盖率。经过实际的电信数据集的验证,模型能有效检测虚假放号的用户。(2)提出一种电信诈骗用户检测模型。该模型首先对电信数据集预处理,数据集中包含了普通用户号码以及公安局诈骗电话举报中心提供的或腾讯安全管家标记的电信诈骗用户号码。之后基于GBDT、随机森林、Adaboost、XGBoost等分类算法进行训练和预测研究,并提出了一种基于多分类器融合算法的电信诈骗检测算法,可有效提升检测性能。最后对各算法模型进行评估,评估结果表明融合算法对比传统的分类算法在准确性上具有优势。(3)提出一种将一维卷积神经网络和多分类器融合分类算法结合的CNNcombine算法。经过电信数据验证,该算法比传统算法有更好的预测结果,在精确率、覆盖率、平均精度等评价标准上有明显的优势。最后介绍了如何将该模型运用于电信运营商实际工作中,证明本文提出的模型在解决实际问题中的有效性和可行性。论文基于电信数据,对数据挖掘技术进行了研究,设计并实现虚假放号检测模型和诈骗号码检测模型。本论文的研究成果对电信行业中虚假放号和电信诈骗行为的技术防治提供了理论支持,也为数据挖掘在其他行业中的应用提供了一些思路。