近年来,恶意URL日益增长且变化多样,差异性较小,难以区分,致使恶意URL检测研究变得愈加困难。现有的恶意URL检测研究大多是基于传统、单一的机器学习算法研究,这些算法函数计算较为简单且不能自动获取更多的URL特征进行学习分析,而且泛化能力效果不理想,恶意URL检测研究的准确率效果不佳。本文将恶意URL数据集Phish Tank和爬虫抓取良性URL组合成数据集作为实验数据,研究设计了深度学习算法模型,对恶意URL检测进行研究,通过多种对比实验得到的实验数据表明了本文提出的关于恶意URL检测研究方法的有效性。论文的主要工作如下:1.提出一种基于双向独立循环神经网络算法的恶意URL检测研究方法。同时结合URL字符串的本身性,提取主机信息特征及URL信息特征,并且两类进行融合;将Bi-Ind RNN(Bidirectional Independently Recurrent Neural Network)算法用于恶意URL检测研究,其中使用softmax进行分类,进行多种对比实验,实验数据表明Bi-Ind RNN算法明显提高了恶意URL检测的结果。2.提出一种基于Bi-LSTM(Bidirectional Long Short-Term Memory)算法的恶意URL检测研究方法。同时结合图像处理技术,提取得到恶意URL纹理指纹特征,同时提取URL静态词汇特征;将Bi-LSTM算法用于恶意URL检测研究,其中使用softmax进行分类,进行多种对比实验,实验数据表明Bi-LSTM算法明显提高了恶意URL检测的结果。3.提出一种基于卷积神经网络和独立循环神经网络的Bi-LSTM算法(cnn＿Bilstm＿Ind RNN)。同时结合图像处理技术,提取得到恶意URL纹理指纹特征,结合自然语言处理技术,利用词向量工具word2vec训练得到URL词向量特征,同时提取URL静态词汇特征;将cnn＿Bilstm＿Ind RNN算法用于恶意URL检测研究,其中使用softmax进行分类,进行多种对比实验,实验数据表明cnn＿Bilstm＿Ind RNN算法明显提高了恶意URL检测的结果。4.提出一种结合注意力机制的卷积神经网络和双向独立循环神经网络并联联合算法模型(CATTB)。同时利用URL存在的规则,对URL进行装箱处理,提取得到重定位特征,结合图像处理技术,提取得到恶意URL纹理指纹特征,结合自然语言处理技术,利用词向量工具word2vec训练得到URL词向量特征,同时提取URL静态词汇特征;利用CNN(Convolutional Neural Network)提取深层次局部特征,其次Attention机制调整权重和Bi-Ind RNN提取全局特征,最后使用softmax进行分类。进行多种对比实验,实验数据表明CATTB并行联合算法明显提高了恶意URL检测的结果。