现今,随着互联网的蓬勃发展,网络上出现的各种安全威胁越来越多,信息泄漏事件的发生愈发的频繁,网页恶意代码检测作为现如今网络安全问题的一部分,已然成为了研究人员的研究重点之一。传统的机器学习方法在检测网页JavaScript恶意代码时,存在着提取特征过程复杂、计算量大、代码被恶意混淆导致难以检测的问题,不利用当前JavaScript恶意代码检测准确性的要求。因此,本文提出基于深度学习的JavaScript恶意代码检测方法,提高了对网页JavaScript恶意代码的特征提取能力。同时使得对JavaScript恶意代码检测的准确率提高并且误报率降低。由于JavaScript代码具有长距离依赖的特点,而现有的研究人员提出的长短时记忆网络在下文对上文的依赖特征的提取中存在缺陷,因此利用RNN（Recurrent Neural Network,RNN）在自然语言处理领域的优势,本文提出了一种基于双向长短时记忆网络模型来提取JavaScript恶意代码上下文的特征实现对JavaScript恶意代码进行检测。实验结果表明,相比于传统的检测方法,本文方法无论是在检测率还是误报率方面都更为优异。双向长短时记忆网络提取到的特征中,具有很多与JavaScript恶意代码相关性不高的信息,这个问题导致了计算量增大和检测的效率的低下。基于此,本文提出了融合注意力机制的检测模型,使用了深度学习中常用的Encoder-Decoder框架,使用双向长短时记忆网络构成Encoder,由LSTM（Long Short-Term Memory,LSTM）构成Decoder,然后使用注意力机制计算输入数据对JavaScript恶意代码的注意力权重,提取到与JavaScript恶意代码检测显著性相关的信息。基于上述的BiLSTM检测模型实现了一个简单的应用,用来检测网页中是否存在恶意代码。