互联网技术的快速发展和Web应用的广泛普及给人们的生活带来诸多便利,与此同时,由于更多的用户信息交互于浏览器与服务器之间,导致针对Web应用的攻击愈演愈烈,网络安全问题频发。SQL注入攻击(Structured Query Language Injection Attack)因其实现简单、威胁程度高的特点一直是网络攻击者的惯用伎俩。现如今,SQL注入攻击手段层出不穷,基于传统机器学习算法的检测模型已无法有效识别复杂的SQL注入攻击,因此本文提出构建基于深度学习算法的检测模型,以提升检测效果。本文主要工作如下:1.提出一种改进的卷积神经网络(Convolutional Neural Networks,CNN)分类模型。使用卷积核大小为2、步长为2的卷积层代替池化层,解决池化层会丢失低级特征的不足,在降维的同时提取更多数据特征。使用1*1卷积层代替全连接层,大幅减少模型参数量,提升模型性能。2.提出使用BERT(Bidirectional Encoder Representation from Transformers)预训练模型和随机森林(Random Forest)算法构建SQL注入检测模型。通过网格搜索和十折交叉验证对随机森林算法中的部分超参数进行优化,提高检测准确率。本文在对深度学习算法研究的基础上,从提升分类器效果和文本表示效果两种角度出发,分别建立SQL注入攻击检测模型,并进行优化。实验结果表明,本文提出的检测模型较基于传统机器学习算法的检测模型效果提升明显,改善了当前模型检测准确率不足的问题。