随着互联网的快速发展，网络信息呈爆炸式的增长，具有资源整合功能的搜索引擎已经成为人们获取信息的首要途径。然而大量钓鱼网页、恶意代码链接充斥其中，给用户带来极大的安全隐患，避免用户访问恶意的搜索链接具有深远而现实的意义。然而，现有的搜索引擎安全防御工具检测范围有限。本文力图改善搜索引擎网页检测的覆盖面，利用机器学习具有处理同类事物的泛化能力，让检测系统更加智能化。为了正确而迅速地判定搜索引擎网页的安全性，将网页分为正常网页和恶意网页，判定规则通过机器学习中的分类模型来获得。首先，对大量的恶意网页与正常网页进行深入分析，除了考虑网页自身特征之外，选取了多种新的特征来检测恶意网页，包括Google PageRank值及搜索结果数、Alexa流量信息、域名信息、WOT声誉值等。相对于以往检测网页所选择的特征而言，本文得到的网页特征更具有健壮性、权威性，能够更好的区分恶意网页与正常网页，使得网页检测更具真实性、可靠性。其次，采用多种提取技术获得所选的网页特征，利用机器学习中的分类算法，如朴素贝叶斯、支持向量机、K最近邻、决策树算法等从网页特征集中生成分类模型。对分类性能优越且判决复杂度低的J48决策树模型加权叠加后，分类精度达到95.19%，能有效的评估网页的安全性，适合用来对搜索引擎网页进行快速分类。最后，扩展了Chrome浏览器的功能，将机器学习生成的决策树模型应用到搜索引擎网页检测中。当浏览器扩展探测到用户通过搜索引擎进行查询后，对于每个搜索引擎网页，利用异步的XMLHttpRequest从网络中提取分类模型中的特征，将检测的结果通过图标的形式及时反馈到搜索引擎网页旁边。通过在多款主流搜索引擎的大量搜索测试表明，所开发的扩展能够非常准确且有效的对任意搜索引擎网页进行检测。