当今,互联网技术飞速发展,但是随之而来的网络安全问题也日益严峻。识别检测恶意URL是网络安全亟待解决的问题。恶意URL具有时效性强,更新速度快,URL简短且广泛等特点,充分利用URL这些表现特征能够有效地提高分类效率,有利于解决信息数据被盗、恶意传播等网络安全问题。本文针对网络安全领域的算法适用性,改进和优化深度学习模型与结构,运用深度学习算法提取URL多种特征信息,构建多模型的深度学习恶意URL识别检测方法,以此扩展该领域的理论研究,为实际应用提供理论依据。本文的主要研究内容如下:(1)本文利用爬虫技术从phish tank等开源网站上爬取URL数据集,利用数据预处理的方法对数据进行清洗、筛选、过滤等操作,将其处理成规范化的形式。(2)分析了可用于识别检测恶意URL的多种特征。首先,依据信息理论和传统方法标记URL;然后,提取包含词汇特征、结构特征、纹理特征在内的多种URL特征(尤其是字符分布和频率特征),并对缺失的特征值进行处理以构建特征向量;其次,将构建的特征向量输入到预先优化过的模型中用于检测分类。最后,将带标签的URL作为训练集,将不带标签的URL作为测试集,训练算法模型。(3)设计了一种基于注意力的卷积神经网络和长短期记忆网络(a joint approach of Convolutional neural network and Long-short term memory based on Attention mechanism,JCLA)的恶意URL识别检测方法,其相较于以往算法具有更突出的优势:JCLA模型关注多种特征信息,能够从多个层面学习URL特征信息,提高检测性能;JCLA模型结构简单,无需分析额外的语句相关知识,具有较强的鲁棒性和泛化能力;不仅提高了检测效率,而且取得更好的分类效果。(4)考虑恶意URL变种多样性、更新周期时间短,传统的词汇特征不能充分描述恶意URL特性,且深度神经网络模型对恶意URL检测速度慢等问题,提出了一种基于切片循环神经网络(Sliced Recurrent Neural Networks,SRNN)并结合多层卷积神经网络的联合模型(the joint model from concurrently the SRNN with multilayer CNN,CSa C)的恶意URL检测方法。该模型不仅在特征的表达能力以及检测恶意URL的效果明显,而且在检测速度上均优于传统的深度学习模型,并且特征维度越多,CSa C模型的速度优势越明显。