信息技术的升级迭代方便了人们的生活,但也伴随着用户隐私、信息安全等问题的出现。随着人们的上网方式从PC端转向移动端,不法分子也将目光聚焦到移动手机上,对智能手机进行一系列的网络钓鱼攻击,不断窃取用户敏感信息。因此,如何更好地对钓鱼网站进行甄别,避免用户遭受网络钓鱼攻击已成为信息安全领域的研究热点,并得到研究人员的广泛关注。尽管不同的网络钓鱼检测方法已经取得了不错的成果,但是由于网络钓鱼攻击方法的更新迭代,导致目前的网络钓鱼检测仍面临很多挑战,依旧存在提升空间。本文从深度学习检测算法出发,对当前该领域存在的问题提出相应改进措施。本文主要工作如下:第一,本文详细分析了根据字符来进行URL地址分词和根据单词进行URL地址分词的方法中存在的不足之处,并提出解决问题的思路和建议。本文在将这两种方法的优点与URL地址相关特征进行结合的基础上,提出基于敏感词进行URL地址划分及结合URL相关特征进行词向量嵌入的方法。随后,利用双向长短期记忆（Bidirectional Long short-term memory,BLSTM）网络结合注意力机制进行网络钓鱼检测算法的实现。本文从不同分词方法及不同网络模型出发,对URL地址进行提取、整合及训练。最后通过实验对比,得出基于敏感词划分URL地址并通过BLSTM网络进行训练的方法可以获得较优的实验效果。第二,为了更加全面地满足用户的使用需求,本文在Android系统基础上设计并完成一个功能完善、界面简洁的网络钓鱼检测应用系统。该应用系统通过URL地址的获取、判断、传输及查询信息反馈等流程完成URL地址的合法性检测。系统创新性的采用剪切板监测、黑名单查询等功能来弥补输入查询模块、二维码扫描模块等功能模块的不足之处,实现了URL网络钓鱼检测、QR码网络钓鱼检测、安全性评估、黑名单检测以及剪切板监测等一系列系统功能。