随着互联网行业的蓬勃发展,通过恶意网页进行的网络安全攻击也越来越多,严重威胁网络空间安全。基于深度学习的恶意网页方法能够检测出添加了混淆的url链接,但是url文本和常规的文本不太类似,url文本非常嘈杂,影响神经网络模型的分类效果。所以为了提升神经网络模型分类url链接的效果,和增加对短连接、ip等无词法特征的url链接的检测,本文提出了基于混合嵌入的恶意url链接检测算法和基于网页文本分类的恶意网页检测算法,并且根据这两种算法设计实现了一个恶意网页检测系统。本文的主要研究工作总结如下:（1）提出了基于混合嵌入的恶意url链接检测算法。针对url文本不规范的问题,提出了数据预处理的方法,并且针对url文本分词会出现大量OOV（out of vocabulary）词语的问题,提出了基于混合嵌入的恶意url链接检测算法,该方法利用高速网络来结合字符级别嵌入和词嵌入,然后利用卷积神经网络来提取url链接的文本特征,接着使用softmax函数进行分类,最后将该算法和其他常用的文本分类算法做对比实验,证明了该算法的有效性。（2）提出了基于网页文本分类的恶意网页检测算法。针对短连接,ip地址等无词法特征的url链接无法使用恶意url链接检测算法检测的问题,提出了基于网页文本分类的恶意网页检测算法,该算法提取出网页中的文本信息,然后利用神经网络模型来分类。针对网页文本分散不连贯的问题,该算法使用CNN-AttentionBi LSTM神经网络来提出全文的特征,从而实现对网页文本的分类,最后将该算法和其他常用的神经网络模型做对比实验,证明了该算法的有效性。（3）设计并且实现了恶意网页检测系统。为了证明本文所提的两种算法的有效性,本文设计并且实现了恶意网页检测系统,该系统能够让用户实时的对恶意网页进行检测。该系统包含一个浏览器插件、主页和后台。当用户访问恶意网页时,插件能立即对用户发出弹窗提示,管理员能在主页上完成一些系统的配置工作。根据实验结果,基于混合嵌入的恶意url链接检测算法对于恶意url链接的识别率在98.9%。基于网页文本分类的恶意网页检测算法对于恶意网页的识别率在96.8%。基于这两种算法开发的恶意网页检测系统,能够高效准确的检测出越来越多样化的恶意网页,能够有效的保障用户的信息财产安全。总之,本文所提的两种恶意网页检测算法是有效的,依据这两种算法开发的恶意网页检测系统,也是有效并且实用的。