随着时代的进步和互联网技术的发展,网络应用被广泛的应用在各个领域,与日常生活的联系越来越紧密,网络应用带来的网络安全问题也变得更加广泛和严重。现今,网络攻击的模式已经由传统的分散性的攻击模式逐渐转变为有针对性的持续性攻击模式。这种模式的网络攻击不易被检测,危害性大,并且通常会留下后门程序便于进行后续网络攻击。WebShell是一种基于网络应用的后门程序,是网络攻击中重要的组成部分,网络攻击者成功的攻陷网络应用后,可以通过WebShell获取服务器控制权限进行持续性攻击,造成严重的后果。本文基于从互联网收集到的公开WebShell文本数据对WebShell的检测方法进行了研究与实现。工业界和学术界现有WebShell检测方法存在不能充分提取WebShell文本语义特征和非规则结构语义特征的缺陷,针对这些缺陷,本文进行了如下工作:（1）调研分析WebShell文本数据,利用WebShell文本数据的原始文本,引入具备动态构建词向量能力的Bert预训练模型挖掘WebShell原始文本数据的语义特征,并搭建静态预训练模型构建词向量进行实验对比。（2）现有WebShell检测方法的分类模型可以很好的提取WebShell文本数据中规则结构的语义特征,但不能够很好的挖掘非规则结构的语义特征,因此本研究课题引入基于图卷积的深度学习模型挖掘WebShell文本数据中的语义特征,并构建传统的WebShell深度学习分类模型进行实验对比。通过实验对比,本研究课题使用Bert模型构建的词向量效果优于Word2vec模型和Glove模型构建的词向量。引入TextGCN模型完成WebShell检测任务,相较于TextCNN模型和TextRNN模型,有效提高了 WebShell检测的准确率。