随着科技的飞速发展,互联网将随处可见网络应用。现在人们严重依赖互联网,因为它允许他们轻松访问和存储个人数据和知识。另一方面,这项技术是高度敏感的网络安全攻击的来源。SQL注入、跨站点脚本（XSS）和其他类型的攻击就是示例。根据OWASP（开放式Web应用程序安全项目）在2017年发布的"十大Web应用安全威胁报告",XSS仍排在前十名之列,这意味着跨站点脚本检测仍然是网络安全的关键研究领域。显然,机器学习方法已用于检测跨站点脚本。但是,这些方法存在一些缺点,包括功能提取问题、效率低下和性能差。这仍然是跨站点脚本检测的问题。因此,本文提出了基于深度学习技术的跨站点脚本检测方法的研究。首先,为了实现对XSS的高精度检测,本文提出CNN-BILSTM方法,根据XSS有效载荷的属性来检测XSS攻击。首先,混淆的数据需要解码回原始形式。然后,已经解码的数据被概括为属性类别。接下来,它们被分成令牌。然后,我们使用单词嵌入工具Word2vec来训练和获取每个单词相互关系的单词载体。之后,CNN-BILSTM将发挥作用,从精心准备的数据中学习。并避免过度拟合。最后,用sigmod函数进行分类,实验结果显示检测效果明显。本文还构建了BiLSTM-Attention模型。通过Word2vec工具实现数据向量化,通过增加注意力Attention机制,进一步关注细节特征,基于BiLSTM可以进行更细粒度的分类和进行依赖等关联分析,最后,使用Sigmoid作为分类器来预测XSS脚本。实验表明这种方法在细节特征处理上更优。