随着近二十年来互联网技术的不断发展,网络攻击的数量不断增长,种类也日益繁多。在近些年来,作为互联网的重要接入点--网页（Web）应用在安全性方面也面临着越来越严峻的挑战。同时,作为机器学习的一个子类--深度学习在最近十年中也有了跨越式的发展。深度学习的方法被广泛应用在Web攻击的检测中。然而这些研究仅仅将关注点放在了如何使用深度学习的方法提高在特定数据集上的检测准确率,而没有深入探究Web应用中产生的数据的特性以及所使用的深度学习模型的特性。针对以上问题,同时也针对基于深度学习的Web攻击检测这一特殊场景,本文设计了模块化的Web安全系统,从深度模型本身的安全着手,分析模型预测可信性和鲁棒性,旨在充分利用深度学习的优势的同时,填补其可能带来的安全隐患。首先,我们借鉴传统的利用Web攻击签名检测攻击的方法,使用卷积神经网络捕捉Web请求中的攻击关键字,再利用循环神经网络构建上下文关系,从而检测Web攻击。在相同的测试条件下,本文中提出的攻击检测模型在检测已知攻击类型时,具有更高的准确率。另外,由于引入了循环神经网络,此模型能够更好地泛化攻击特征:在检测未知攻击时,相比于先前的模型,它能在保持极低的误报率,提供较高的召回率。其次,由于深度学习模型在进行图像及文本分类任务时容易受到对抗样本攻击,我们探究了深度Web攻击检测模型本身的安全性,并提出了构建对抗性Web请求的方法,由此暴露了基于深度学习的Web检测模型容易受到对抗Web请求攻击的问题。针对这个问题,我们基于对数据流形特征的分析,构建了检测对抗性Web请求的模块。最后,虽然深度学习模型能够省去人工构筑Web攻击签名的繁琐步骤,它还是非常依赖精确的数据标注。我们将Web攻击检测模型在带标注错误的数据上进行训练,并借助了模型提供的分类概率和不确定性估计,我们提出了有效的定位错误标注的方法,从而构建了数据标注错误检测模块。本研究在两个Web日志数据集上进行了实验,包括一个公开的Web数据集CSIC 2010 HTTP和一个基于真实网站日志和真实攻击载荷构建的Web日志数据集。实验证明了本文中提出的基于深度学习的Web安全系统能够在提高检测准确性的同时,解决深度学习可能带来的潜在问题。深度学习模型可以有效地提升攻击检测的准确率,但它在Web安全这一场景下的应用不应局限于在有限的数据集上提高准确率。本文探究了深度学习模型本身的安全性和模型训练中的数据标注错误问题。希望通过本研究中对Web安全系统的深入思考,促使基于深度学习的Web安全系统走进实际生产环境,成为网站防护更好的选择。