随着移动互联网的快速发展和移动终端的迅速普及,网络安全问题日益严峻,目前用户面对恶意URL攻击、诈骗等威胁越来越多。检测恶意URL的有效方法对于减少移动互联网犯罪和网民经济损失、营造良好上网环境至关重要,同时,也是网络安全领域一个非常值得研究的热点。本文研究的重点在于如何将互联网对恶意URL的检测方法应用到移动网上来,同时,利用移动互联网自身特征属性,进一步提高恶意URL检测效果。本文在此背景下,首先研究了互联网现有恶意URL检测方法及其局限性,以及具有传播恶意URL的移动网特定场景伪基站的检测,并且详细介绍了移动网恶意URL攻防相关技术,并对用于恶意URL静态文本特征检测的主流机器学习分类算法进行了阐述。通过对研究现状的分析和各类机器学习算法的介绍对比,本文首先选用了具有自动特征提取功能的卷积神经网络这一深度学习算法,用于静态特征的恶意URL检测,该算法能摆脱了浅层机器学习在恶意URL检测时耗时耗力特征过程的开发和维护工作,为了让该算法具有更细致的特征提取,本文使用的不是单词级别的嵌入向量化,而是字符级别的嵌入向量化,来进行语义识别。同时,提出通过检测伪基站行为特征达到检测恶意URL目的的算法,通过详细分析伪基站行为特征,建立基于伪基站行为特征检测恶意URL模型,从参数选择算法的角度对该模型进行优化。最后使用真实的移动网数据作为实验样本,应用到本文所设计的两种检测恶意URL的模型中,并对实验检测结果进行了对比分析,验证了上述模型的有效性。