یکی از مهم ترین چالش های موجود در حوزه بانکی، تقلب های مجرمانه ناشی از تراکنش های بانکی است که گاه بصورت فردی و گاه سازمان یافته انجام می شود. شناسایی این گونه فعالیت های غیرقانونی، امری دشوار است. از طرفی ترکیب ویژگی های مختلف و استفاده از الگوریتم های یادگیری ماشین اگرچه ممکن است قادر به شناسایی الگوهای پنهان در داده ها باشد ولی فاقد ظرفیت توصیف ساختار ایجاد شده توسط تعاملات بین ویژگی های مختلف است. از طرفی باتوجه به پیچیدگی و متفاوت بودن الگوهای تقلب، تراکنش در نگاه اول ممکن است مشکوک به نظر نرسد، پس نیاز است تعاملات بین کارت ها در نظر گرفته شود. بدین منظور، استفاده از نظریه گراف مورد توجه قرار گرفته است. بنابراین، در این مقاله، بمنظور شناسایی فعالیت های مشکوک به تقلب های سازمان یافته رویکرد ترکیبی مبتنی بر گراف و زنجیره پنهان مارکوف استفاده شد. طبق متدولوژی پیشنهادی، ابتدا استخراج ویژگی های شبکه ای و بردار ویژگی از گراف تراکنش ها انجام گرفت و سپس با توجه به وابستگی بین مقادیر هر ویژگی استخراج شده در زمان های متوالی و اهمیت ماهیت متوالی ذاتی داده های تبادلی در شناسایی الگوهای تقلب، رویکرد زنجیره پنهان مارکوف اعمال شد. مجموعه داده مورد استفاده شامل 162493 تراکنش است. درنهایت، جهت تشخیص مشتریان نرمال و متقلب، ابر طبقه بندهای ANN، SVM، ، Naï, ve Bayes و KNN بکار گرفته شدند. بعنوان نتیجه، ابرطبقه بند Naï, ve Bayes در مقایسه با روش های دیگر با نرخ دقت تشخیص 96% عملکرد بهتری داشت.