La criptomoneda, como una de las aplicaciones más exitosas de la tecnología blockchain, ha desempeñado un papel vital en promover el desarrollo de la economía digital. Sin embargo, su anonimato, la gran escala de transacciones criptográficas y la descentralización también han traído nuevos desafíos en la identificación de cuentas anormales y la prevención de comportamientos de transacción anormales, como el lavado de dinero, la extorsión y la manipulación del mercado. Recientemente, algunos investigadores han propuesto una detección eficiente y precisa de transacciones anormales basada en el aprendizaje automático. Sin embargo, en la realidad, las cuentas y transacciones anormales son mucho menos comunes que las cuentas y transacciones normales, por lo que es difícil para los métodos previos detectar cuentas anormales al entrenar con un desequilibrio en cuentas anormales/normales. Para abordar los problemas, en este documento, proponemos un método para identificar cuentas anormales utilizando análisis topológico de transacciones criptográficas. Consideramos las cuentas y transacciones en la cadena de bloques como nodos y bordes de un grafo. Dado que las cuentas anormales pueden tener características topológicas especiales, extraemos características topológicas del grafo de transacciones. Al analizar las características topológicas de las transacciones, descubrimos que las características topológicas dispersas de alta dimensión pueden comprimirse utilizando el método de descomposición de valores singulares para la reducción de la dimensión de características. Posteriormente, utilizamos la red generativa adversarial para generar muestras como cuentas anormales, que se enviarán al conjunto de datos de entrenamiento para producir un equilibrio de cuentas anormales/normales. Finalmente, utilizamos varias técnicas de aprendizaje automático para detectar cuentas anormales en la cadena de bloques. Nuestros resultados experimentales demuestran que nuestro método mejora significativamente la precisión y la tasa de recuperación para detectar cuentas anormales en la cadena de bloques en comparación con los métodos de última generación.