随着信息时代的来临,电子邮件成为现代人们的重要通讯手段之一。但与此同时也带来了一系列电子邮件安全问题,越来越多的攻击者利用电子邮件为载体,诱骗用户提供敏感信息或者执行恶意操作,造成了巨大的财务损失和数据泄露风险。邮件安全事件频繁发生,研究邮件安全,对于提升网络安全防护水平、保护用户隐私安全具有重要意义。另外,随着人工智能、深度学习等技术的不断发展,深度学习已经在很多领域取得了巨大的成功,但在钓鱼邮件识别中的应用仍然较少。而且基于深度学习的钓鱼邮件识别方法与其他方法相比,提供了更好的性能,识别效率更高,是近年来的新趋势。因此,本文致力于研究基于深度学习的钓鱼邮件识别方法,并开发了基于深度学习的钓鱼邮件识别系统,本文主要贡献如下:（1）针对基于深度学习的钓鱼邮件识别方法中特征表示还不成体系的问题,本文提出了一种基于多层次多特征的钓鱼邮件特征分析方法,从基础层字词特征、逻辑层语义特征、认知层情感特征、字符层统一资源定位符（Uniform Resource Locator,简称URL）特征四个方面,分别对钓鱼邮件正文特征进行分析并提出合适的特征表示方法。在字词特征方面,使用一种改进的TF-IDF（Term Frequency-Inverse Document Frequency,简称TF-IDF）方法筛选特征词;在语义特征方面,基于邮件语料库构建了能同时表征中英文单词语义信息的Word2Vec词向量模型;在情感特征方面,针对钓鱼邮件领域情感语料库的不足,构建了包含钓鱼邮件恐惧、好奇、紧迫情感的情感文本语料库;在URL特征方面,针对URL语法特殊性,采用N-gram分词及字符级编码的方式获取其特征表示。最后,本文提出了附件名关联特征和正文相关系数特征两个新特征。（2）针对目前钓鱼邮件识别模型可解释性和鲁棒性差的问题,本文提出一种基于多通道双向长短记忆网络（Bidirectional Long Short-Term Memory Network,简称Bi LSTM）+Attention钓鱼邮件识别模型。该模型可以将从邮件中提取出的多层次特征分别输入到多通道网络中进行处理和分析,并引入Bi LSTM来学习文本特征上下文依赖关系;同时,该模型引入了自适应Dropout正则化方法来提高模型泛化能力;然后,模型还引入了缩放点积注意力机制来加强模型的关注度,使其能够更加准确地识别出钓鱼邮件;最后,针对邮件数据集的不平衡问题,模型还引入了一种改进的二元交叉熵损失函数,即聚焦损失函数（Focal Loss）来对模型进行优化。实验结果表明,本文提出的模型各项指标优于现有基础模型,且提出的模型在中英文混合数据集上准确率达到了98.87%。（3）最后,本文基于以上两方面的研究,探讨钓鱼邮件识别系统的应用价值,设计并实现了一种基于深度学习的钓鱼邮件识别系统,用户可以上传指定格式邮件数据或者邮件EML格式文件,系统会对输入数据进行处理,并输出识别结果和特征注意力权重可视化图,帮助用户更清楚地了解系统识别结果的依据。