随着因特网的发展,网上出现了越来越多的犯罪行为。网络钓鱼就是其中最常见的一种犯罪行为。钓鱼网站通过技术手段模仿著名的网站,诱使用户访问,盗取用户信息和金融账户,使用户蒙受损失。网络钓鱼的出现对互联网的发展以及网民的人身和财产安全都产生了巨大的危害。于是研究钓鱼网站的检测方法有着重要的现实意义。本文在国内外学者提出的钓鱼网站检测方法的基础上,使用特征选择和模糊关联分类结合的方法,对钓鱼网站检测方法进行了研究。针对网络钓鱼检测方法提取的钓鱼特征中包含大量的不相关和冗余特征这一问题,本文提出基于LVF和CFS结合的特征选择算法-LVCFS算法,首先从待测页面获得URL特征和Web页面特征,由于LVF的设计过程中只考虑了钓鱼特征与类别的相关性,而没有考虑特征与特征之间的关联程度,因此LVF算法不能有效去除钓鱼特征中的冗余特征,所选出来的特征中会存在一些冗余,使用CFS算法除去冗余特征。LVCFS算法融合了LVF算法和CFS算法的优点,能够较好地去除不相关和冗余。接着,针对钓鱼网站检测方面,现有的检测方法准确度较低,而且钓鱼特征中包含连续数值型特征时,还没有很好的检测方法,于是本文研究得到一种基于模糊关联分类的CFARWV算法。提出的CFARWV算法是由模糊关联分类算法CFAR改进得到,CFARWV算法将CFAR中使用的单一优胜法(single winner)模糊分类推理方法(FRM)改进为投票加权法(weighted vote),并且使用改进的权重代替置信度作为规则权重。对使用LVCFS算法进行特征选择后的特征向量进行学习,采用CFARWV分类算法训练CFARWV分类器,接着使用得到的CFARWV分类器进行分类,从而得出判定结果。最后对本文提出的LVCFS算法进行验证,与LVF、CFS、ReliefF算法进行对比实验。对CFARWV算法进行验证,与Ripper、CMAR、CPAR、CFAR关联分类算法进行对比实验,并且结合实验结论对未来的工作进行了展望。