1.一种欺诈识别方法，其特征在于，所述方法包括：获取样本集，其中，所述样本集包括样本用户及所述样本用户的行为特征；

分别利用多个检测模型对所述行为特征进行分析，得到所述多个检测模型输出的所述样本用户是否为欺诈用户的多个评分；

利用所述多个检测模型之间的相关因子，对所述多个评分进行综合分析，以识别所述样本用户是否为欺诈用户；

所述利用所述多个检测模型之间的相关因子，对所述多个评分进行综合分析，以识别所述样本用户是否为欺诈用户的步骤包括：按照每一所述检测模型的置信度分布，将每一所述检测模型的评分映射在同一个预设区间，得到每一所述检测模型的评分在所述预设区间内的参考分；

根据所述多个检测模型中两两检测模型之间的相关因子及每一所述检测模型的参考分，计算综合评分；

根据检测模型的个数及所述综合评分，判断所述样本用户是否为欺诈用户。

2.如权利要求1所述的欺诈识别方法，其特征在于，所述根据所述多个检测模型中两两检测模型之间的相关因子及每一所述检测模型的参考分，计算综合评分的步骤包括：根据所述多个检测模型中两两检测模型之间的相关因子及每一所述检测模型的参考分，利用公式

计算综合评分，其中， 表示

样本用户x的综合评分，i表示第i个检测模型，j表示第j个检测模型， m为检测模型的个数，表示第i个检测模型和第j个检测模型之间的相关因子，， 表示样本用户x采用第j个

检测模型得到的参考分。

3.如权利要求1所述的欺诈识别方法，其特征在于，所述获取样本集的步骤包括：获取原始特征，其中，所述原始特征是针对所述样本用户的输入行为进行特征提取后得到；

对所述原始特征进行稳定性分析，判断所述原始特征是否满足预设条件；

将满足预设条件的所述原始特征确定为所述行为特征。

4.如权利要求3所述的欺诈识别方法，其特征在于，所述样本用户为预设时段内获取的多个用户，所述预设时段包括多个子时段，每一所述样本用户均有一个原始特征，所述对所述原始特征进行稳定性分析，判断所述原始特征是否满足预设条件的步骤包括：根据所有样本用户的原始特征，计算所述原始特征的变异系数；

根据每一对相邻子时段的样本用户的原始特征，计算每一对相邻子时段的稳定度；

若所述变异系数小于或者等于第一预设值，且所有相邻子时段的稳定度中的最大值小于或者等于第二预设值，则判定所述原始特征满足预设条件。

5.如权利要求1所述的欺诈识别方法，其特征在于，所述分别利用多个检测模型对所述行为特征进行分析，得到所述多个检测模型输出的所述样本用户是否为欺诈用户的多个评分步骤之后还包括：

利用所述多个检测模型输出的多个评分，识别所述样本用户是否为欺诈用户。

6.如权利要求5所述的欺诈识别方法，其特征在于，所述利用所述多个检测模型输出的多个评分，识别所述样本用户是否为欺诈用户的步骤包括：按照每一所述检测模型的置信度分布，将每一所述检测模型的评分映射在同一个预设区间，得到每一所述检测模型的评分在所述预设区间内的参考分；

若所述多个检测模型的参考分的最大值大于或者等于预设阈值，则判定所述样本用户为欺诈用户。

7.一种欺诈识别装置，其特征在于，所述装置包括：获取模块，用于获取样本集，其中，所述样本集包括样本用户及所述样本用户的行为特征；

分析模块，用于分别利用多个检测模型对所述行为特征进行分析，得到所述多个检测模型输出的所述样本用户是否为欺诈用户的多个评分；

分析模块，还用于利用所述多个检测模型之间的相关因子，对所述多个评分进行综合分析，以识别所述样本用户是否为欺诈用户；

所述分析模块具体用于：按照每一所述检测模型的置信度分布，将每一所述检测模型的评分映射在同一个预设区间，得到每一所述检测模型的评分在所述预设区间内的参考分；根据所述多个检测模型中两两检测模型之间的相关因子及每一所述检测模型的参考分，计算综合评分；根据检测模型的个数及所述综合评分，判断所述样本用户是否为欺诈用户。

8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1‑6中任一项所述的欺诈识别方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑6中任一项所述的欺诈识别方法。