垃圾邮件逐渐成为不法分子攻击欺诈用户的主要媒介,而现有垃圾邮件内容形式多变、伪装手段层出不穷,为了保障用户正常使用邮件,垃圾邮件的检测刻不容缓。垃圾邮件检测技术分为两类:第一,以黑白名单为代表的基于知识工程的方法,它们根据不法来源名单来鉴别垃圾邮件,对未知来源的垃圾邮件存在较高的漏报率。第二,以支持向量机等方法为代表的机器学习方法,它们根据正常邮件和垃圾邮件的不同特征通过样本训练建模,模型的分类效果完全依赖于训练集,而人工获取训练集的方式为这种检测带来了较大的不确定性,模型也无法自适应更新。受计算机免疫系统的启发,根据免疫体系中的反向选择算法-它能根据有限的自我判别非我、自适应强的特性,本文提出将支持向量机和反向选择算法结合,构建一个具有动态反馈自适应的垃圾邮件模型。通过反向选择算法将检测出漏报的新型垃圾邮件动态补充训练集重新生成检测器,来解决人工选取的不确定性问题,让垃圾邮件的训练和检测成为一个动态平衡的自适应过程。本文具体研究内容如下:1)对垃圾邮件的现状进行描述,阐述了垃圾邮件的危害、发展以及现有垃圾邮件在形式内容、伪装手段上的动态多变性特征,通过归纳现有垃圾邮件检测技术和解决方案,总结出垃圾邮件检测过程中无自适应性、训练集的选取存在人工干扰的问题;2)提出一个反向选择结合支持向量机的模型用于垃圾邮件检测。该模型包括邮件预处理、检测器生成、模型检测、反馈更新SVM分类器四大部分,不仅能利用反向选择生成的成熟检测器自适应检测未知的新型垃圾邮件,还能根据检测器识别出的新型垃圾邮件动态补充更新训练集,无需人工干预就能生成新的SVM分类器。3)借助公有数据集Enron Email Dataset构建一个垃圾邮件检测实验系统,本文设计两组实验来验证本文设计的SVM-NSA垃圾邮件检测模型的实际分类效果,并与单一的算法模型作横向比较。实验结果证明该模型在不影响正常邮件的识别率的前提下,能检测出更多的垃圾邮件。