近年来,互联网的蓬勃发展为人们的日常生活创造了巨大的便利。但同时,便捷的网络服务也吸引了众多的攻击者们通过恶意软件、网络钓鱼、和垃圾邮件等方式进行非法牟利,这些网页被称为恶意网页。它们都在不知情用户进行访问时对客户端系统发起攻击,但这些不法活动的目的和手段各不相同,不同种网页的实际数量和误分类的代价也有很大差异。目前的研究主要是针对某一类恶意网页,实现恶意网页多分类的研究还相对较少,对于机器学习方法分类的研究中提取的特征也还有待完善。本文针对上述问题,提出了利用CSS特征和URL特征结合的有监督机器学习的分类方法,同时考虑数据不均衡和误分类代价不同的情况,提出了“误分类代价和”作为新的度量指标,对钓鱼网页、恶意软件下载网页和良性网页进行三分类研究。论文的主要成果有:首先提出了全新的CSS特征,并证明了这些特征在对恶意软件下载的恶意网页识别的有效性,通过组合和新增特征,本文对全部恶意软件下载网页识别准确率提升稳定至92%,对利用重定向的恶意软件下载网页的识别准确率最高可达到99%,时间性能也有所提高。其次推导出三分类误分类代价度量指标,考虑实际数据比例和误分类代价进行大量实验,证明新指标的合理性和本文分类方法的合理性。最后将本文理论分析和工程技术相结合,设计实现了一个针对钓鱼网页和恶意软件下载网页的多分类恶意网页识别系统,并测试了系统的准确性和稳定性。