El riesgo de fraude actual en las finanzas digitales está aumentando año tras año, y las soluciones principales se basan en las características inherentes de los usuarios, lo que dificulta la explicación de los comportamientos fraudulentos y los patrones de comportamiento fraudulento son menos investigados. Para abordar estos problemas, proponemos un modelo integrado de detección de fraude basado en múltiples gráficos relacionales, Tri-RGCN-XGBoost, que analiza el impacto de los patrones de asociación de usuarios en la detección de fraude mediante la minería de las asociaciones de comportamiento de los usuarios. El modelo construye una red de información heterogénea basada en datos de transacciones reales, abstrae tres tipos de gráficos bipartitos (usuario-dispositivo, usuario-comerciante y usuario-dirección), agrega la información de los nodos vecinos del usuario bajo los tres tipos de patrones de comportamiento e integra los resultados de clasificación de convolución gráfica bajo los tres patrones de comportamiento con el modelo XGBoost para lograr la detección de usuarios fraudulentos con gráficos relacionales múltiples integrados. Los resultados muestran que el rendimiento de este modelo en la identificación de fraudes se mejora significativamente, especialmente en la reducción de la tasa de subregistro de usuarios fraudulentos. Además, se analizan las asociaciones de comportamiento que juegan un papel clave en la identificación de usuarios fraudulentos en conjunto con el valor de forma para proporcionar una referencia para la minería de patrones de fraude.