随着信息技术的迅速发展,互联网已成为人们日常生活的重要组成部分。与此同时,网络安全问题也层出不穷。网络钓鱼为其中问题之一,其通过欺骗用户以盗取敏感信息,实现钓鱼攻击,造成用户经济损失。网络钓鱼已经严重威胁到了网络安全,如何有效遏制网络钓鱼攻击成为网络安全领域的重要研究任务。针对已有网页特征不能有效检测出新型钓鱼网页以及模型计算复杂问题,提出一种基于新特征合成及主辅模型的钓鱼网页检测算法。算法从网页URL(Uniform Resource Locator)及HTML(HyperText Markup Language)源码中提取了 39种特征,包括两种新型特征来检测钓鱼网页。同时根据特征重要程度构建了主要特征和辅助特征集合,并且构造MACB(Main-Auxiliary-CNN-BiLSTM)主辅模型对主要特征和辅助特征进行处理,以此降低模型计算复杂度,提高对未知网页判别效率。实验结果表明,所提算法有更好的检测效率以及检测准确度。针对传统钓鱼网页检测方法中手动特征工程困难以及无法处理隐含抽象特征问题,提出一种基于表征学习的钓鱼网页检测算法。算法将网页解析为URL、文档对象模型(Document Object Model,DOM)以及HTML文本内容三部分来全面分析钓鱼网页,将网页无特征损失的表征到矩阵空间,避免了复杂的特征工程问题。同时构造深度学习模型来挖掘网页内部细节信息以及上下文关联信息,提取深层次隐含抽象特征。并且添加注意力机制(Attention Mechanism)来增强特征信息学习过程中的辨识能力,突出重要信息作用,提高检测准确率,最终构建了 MICBA(MultilInput-CNN-BiLSTM-Attention)多数据输入注意力模型来实现钓鱼网页的检测。实验结果表明,所提算法能够高效的处理抽象复杂问题,在多个实验评价指标对比中,均取得较好性能。在上述算法理论基础上,实现了一个钓鱼网页检测系统,系统通过与浏览器插件结合应用于浏览器中。对于所访问网页,系统可实时检测是否为钓鱼网页。