僵尸网络已经成为网络安全领域非常严重的威胁,它被证明有能力感染数十亿计算机并驱使它们进行非法活动,给社会带来了巨大的经济损失。对僵尸网络的有效检测有望缓解这一现象,且有助于扼制网络犯罪的发生。本文对基于随机森林和降噪自动编码器的僵尸网络检测模型进行了大量研究,主要从模型分类器和自动特征工程两方面开展工作。目前,由于网络流量数据庞大,出现了很多基于机器学习的僵尸网络检测方法。但大多数方法都只包含单学习器,导致模型鲁棒性不高。同时,相关模型在构建过程中严重依赖手工特征工程。导致的后果是,需要相关人员具备大量的专业知识、构建模型周期长,并且对僵尸网络检测效果不理想。针对上述问题,本文做出了以下工作:1)提出了基于随机森林的僵尸网络检测模型。在模型的分类器部分选用了基于集成学习的随机森林方法,其中包含有大量的基学习器。在模型训练过程中,每个基学习器都会学习到不同的参数,从多角度描述原始数据,有效缓解了单学习器模型带来的检测结果不稳定,并提升了僵尸网络检测的效果。2)提出了基于降噪自动编码器的僵尸网络检测模型。利用降噪自动编码器对原始数据进行自动特征提取,节约了手工特征工程的人力资源,降低了僵尸网络检测模型的构建成本。通过降噪自动编码器提取出的高级抽象特征,有助于提升基分类器对僵尸网络检测的效果。