纵观当今国际社会，洗钱的危害日趋国际化。数据挖掘技术是反洗钱工作中最有效的识别技术手段之一。如何运用数据挖掘技术提高反洗钱信息监测效率是目前研究的热点。深入研究洗钱的规律和特征对洗钱的识别、跟踪、监控、阻断和防范都具有重要的现实意义和应用价值。针对目前商业银行洗钱行为监测技术的欠缺，本文着重从研究洗钱行为的微观机理入手，探索对洗钱行为进行有效识别的技术方法。并主要选择了数理统计、关联分析、决策树三种算法，实现了数据挖掘角度洗钱行为的监测与分析。为通过交易金额过滤洗钱交易，本文基于数理统计构建监测模型。主要在假设母体满足一种分布后，对其进行参数值的估计，如方差等。且估算结果满足一定置信度。算法根据参数值界定交易金额是否应该被过滤。在关联规则挖掘洗钱行为的仿真实验中，采用改进的AprioriTid算法对交易行为抽象化后的模式进行类型关联，同时在用户指定的最小支持度及最小置信度下完成大项集的筛选。最终按照算法求出洗钱行为之间的关联。在决策树对交易分类的仿真实验中，本文采用二叉决策树结合ID3算法对数据集属性进行计算信息量，并根据信息量计算最大增益，从而得出选择节点的依据，即拥有最大增益的非类别属性应该作为当前节点。本文对以上三种算法进行了实现，并对结果进行了综合分析。