近年来,随着信息化的不断深入,大数据、云计算等技术的迅猛发展,越来越多的政府单位、民营企业选择迈向“互联网+”。大量的电子政务、普惠金融、网络游戏、直播带货等Web业务也陆续上线。但与此同时,企业在提供便民业务的同时,其Web应用也一直承受着来自境内外攻击者的大量网络攻击,针对Web服务发起的SQL注入、XSS攻击、Web Shell植入、目录遍历等攻击屡见不鲜。而面对日益复杂的攻击威胁,传统的Web安全检测手法主要采用统计学进行识别,此类方法存在识别率低、难以检测未知威胁等问题。针对这一问题,本论文引入深度学习技术,提高检测精度,并适应对未知威胁类型的Web检测。本文的主要工作如下:首先,本文对常见的Web攻击手法进行分析,并主要对Web请求的URL数据进行标准化处理后,利用语法及语义分析方式对其进行了向量表示。最终,经过综合评估后采用Word2vec模型进行词向量表示,通过采用非监督训练的形式获取参数矩阵。该模型可以最大程度的保留并提取URL中的有效特征信息,是更适合本次实验目标的向量表示模型。其次,本文重点研究了基于深度学习的分类检测算法,分别采用了LSTM（Long Short-Term Memory）及Text CNN（Text Convolutional Neural Network）算法对样本进行训练和检测。并在次基础上,针对两种算法的各自特点,提出了基于CNN和LSTM的组合模型训练方式,主要先通过利用CNN模型先提取URL数据中的局部特征,再利用LSTM模型将不同维度的特征组合成序列进行输入,解决数据中的时序依赖问题。通过实验结果表明,该模型准确率达到99.1%,误报率和漏报率都明显高于其他两种分类检测模型。从实验结果表明,在这种组合模型下可以更有效的提取出Web攻击中的隐性特征,较好的实现了本文的研究目标。在本文的最后,对本次实验的内容进行总结提炼,对实验中的不足之处进行分析,并对下一步的工作开展及该技术的未来发展趋势进行展望。