网络钓鱼是互联网犯罪的最常见手段,随着互联网信息技术的不断发展人们对网络的依赖也越来越强,以盗取网络财产为目的的钓鱼现象也愈发普遍。钓鱼网站是钓鱼犯罪的形式之一,用户在误入钓鱼网站之后误以为进入了正规网站,向钓鱼中者暴露了自己的账户密码,导致被盗号,作为钓鱼攻击的最有力形式,钓鱼网站的网址可以使用邮件广告等方式四处传播,渗透力极强,因此建立具有较好识别能力的钓鱼网站检测系统,具有很高的实用性和安全价值。本文主要研究工作如下:1)针对待检测URL体量巨大,对于系统并发要求高等问题,设计分模块过滤URL机制,使用Redis去重和黑白名单库快速过滤掉大部分URL,并使用轻量级URL检测模块对URL进行再过滤,降低后续模块检测压力。2)使用机器学习算法对于已有数据集进行学习训练,本文使用级联检测的方法,将特征空间划分为URL文本特征、WHOIS特征与页面特征,使用轻量级的URL文本特征和WHOIS特征来训练URL分类器,使用页面特征训练页面分类器,在保证整体检测准确率的前提下,有效降低系统压力,保证了系统支持并发的能力。3)针对传统检测问题仅能分辨是否为钓鱼的二分类问题,本文添加了品牌识别模块,对于已确定为钓鱼网站的样本,获取其Favicon通过卷积神经网络模型来进行图片分类,识别该钓鱼网站意图模仿的公司品牌,以便后续反馈通知用户和数据分析使用。本文在以上工作的基础上实现了钓鱼网站辅助识别系统,在保证核心模块的正常工作下,展示出了良好的可用性和稳定性,目前已应用于某安全公司的后台系统中,为用户的邮箱和网盘中的不明URL提供安全监测,实际应用效果良好。