伴随网络时代的兴盛以及网民数量的激增,网络攻击给人们带来的损失愈发严重。很多黑客通过对网页进行攻击来非法牟取利益,因此对恶意网页进行分析和研究是十分必要的。在众多恶意网页类型之中,网页暗链和钓鱼网页尤为常见。网页暗链不但为灰黑色产业带来利润,而且严重损害了一些权威网站的公信力。钓鱼网页通过欺诈网民来获取其私人信息以及钱财。因此,本文主要研究和分析网页暗链和钓鱼网页这两种类型的恶意网页。随着大数据时代的推进,网页数量成千上万。传统的恶意网页检测方法在面对海量网页时已经不再适用。因此本文将机器学习的方法引入恶意网页检测领域。针对网页暗链,本文提出了一种基于机器学习的网页暗链检测模型。该方法创新融合了三种不同类型的网页暗链特征,分别为暗链相关文本特征、暗链域名特征以及暗链隐藏属性特征。在此基础上,分别引入CART分类树、Gradient Boosted Decision Tree以及Random Forest三种机器学习算法来构建分类学习器。并使用真实业务场景下的公开数据集对模型进行评估。实验结果表明,在与CART分类树和Gradient Boosted Decision Tree对比之下,随机森林Random Forest构建的模型在暗链检测领域中表现出最强的泛化能力,且时间开销相对适中。同时,针对钓鱼网页这种类型的恶意网页,本文提出了一种基于机器学习的钓鱼网页检测模型。该方法创新融合了三种不同类型的钓鱼网页特征,分别为钓鱼网页的URL特征、钓鱼网页文本特征以及钓鱼网页HTML特征。同时,分别引入孤立森林iForest、随机森林RF以及XGBoost三种分类算法来构建分类学习器。并模拟真实业务场景,创新尝试使用具有严重数据不平衡特点的公开数据集对模型进行评估。实验结果表明,相比孤立森林iForest和随机森林RF,XGBoost构建的模型泛化能力最好,模型效果最稳定,且时间开销最小。本文提出的网页暗链检测模型和钓鱼网页检测模型能够用于工业场景下恶意网页检测系统的开发中。并且进一步说明了将机器学习方法引入恶意网页的研究领域中能够取得非常不错的效果,为未来恶意网页的研究提供了一种新的思路。