在互联网迅速发展的如今,针对网络安全相关的攻击也日益增加。网络安全攻击的种类多样,已经一定程度上影响着我们的日常生活。随着网络犯罪规模的不断扩大,已经造成一定规模的经济损失,因此保护潜在受害者免受各种攻击变得非常重要。其中,恶意URL是入侵者常用的一种网络安全入侵手段,普通用户在访问恶意URL时并未意识到这是恶意网站,这往往就会攻击者留下可乘之机。目前的恶意URL检测系统中,对于数据集类别不平衡情形,仍存在检测的精确率不够高的问题,同时对具体类别的恶意URL攻击存在检测精确率仍不够高的问题。因此,有必要对恶意URL攻击检测展开研究。本文主要针对恶意URLs检测中存在的问题,进行了以下的研究:（1）针对恶意URL检测领域信息安全和网络安全存在的问题,对目前国内外的有关URL攻击研究领域成果进行详细的阐述,对恶意URL攻击的种类进行了详细的介绍,以及对目前主要的经济政治领域的威胁,神经网络中各种基本网络的详细介绍与推导,以及针对URL特征有效的两种表示方式。（2）针对恶意URL检测模型在面对样本不平衡的问题导致检测精确率不够高的问题,提出了一种基于FTCNN-Bi LSTM的恶意URL多分类检测方法。FTCNNBi LSTM混合模型是由卷积神经网络和双向长短期记忆神经网络构成的深层网络模型。通过卷积神经网络学习向量化后的URL特征,通过双向长短期记忆神经网络对特征进行进一步的学习,使用定向随机失活正则化优化网络模型结构,同时使用聚焦损失函数对模型训练进行修正。通过仿真实验证明,FTCNN-Bi LSTM模型对比其他模型有更好的检测性能。（3）为了解决特定类别的恶意URL攻击检测精确率不够好的问题,提出了一种基于DCNN-GRU-Att的恶意URL检测模型。通过空洞卷积提取URL中的有效特征,使用门控循环单元神经网络对特征进行进一步筛选,结合注意力机制对神经网络结构进行优化,提高模型的学习能力。同时进行仿真实验,结果表明DCNN-GRU-Att能有效提升恶意URL攻击的检测精确率。本文主要研究恶意URL攻击检测的领域,提出的以下的创新的地方:（1）提出一种新的恶意URL检测方法FTCNN-Bi LSTM,使用卷积神经网络和双向长短期记忆神经网络充分学习恶意URL特征,结合两种神经网络优点,使用定向随机失活正则化和聚焦损失函数优化模型结构,从而提高模型的检测精确率,增强模型的健壮性。（2）结合空洞卷积和注意力机制的特性,提出了一种基于DCNN-GRU-Att的恶意URL检测方法,对模型复杂度和URL特征表达能力之间的问题进行有效的改善,提取有效关键的恶意URL特征,进而提高模型从输入空间中学习URL特征的能力,提高恶意URL模型检测的精确率。