互联网自发明以来,一直改变着人类的生活,智能化、数字化、信息化的生活方式已经成为现实。目前互联网领域网站数量急剧增加,网站质量审核任务繁重,导致网站质量参差不齐,存在着很多的安全隐患。在这样的背景下,不法分子通过刷单兼职、恶意网站、网络贷款等各种方式进行电信诈骗,严重威胁着人民群众的财产安全。为此,国家出台了相关政策法规对电信诈骗行为进行打击,但是鉴于网络环境的复杂性和灵活性,不法分子手段花样百出,极大地增加了打击的难度。通过分析现有的恶意网站,可以发现恶意网站之间存在着较强的相关性和相似性,呈现出一些共有的特征,除此之外,不法分子为了节约成本,会通过模板化的网站生成工具生成更多的相似网站,网站形成具有一定规律的谱系结构。所以提取恶意网站中存在的特征,找出恶意网站之间的相似性,对于提升恶意网站发现效率,严厉打击非法网站诈骗等行为具有非常重要的现实意义。针对恶意网站的识别研究方面当前存在识别准确率低、模型训练时间长的问题,本文提出了融合URL和页面信息的恶意网站识别方法,在研究过程中将恶意网站的识别看做分类问题,根据不同信息的特征,将恶意网站的URL特征信息和恶意网站的文本、图像特征信息分别进行研究,结合不同信息的特征,设计了两种恶意网站识别模型:（1）基于BLVGG16的URL多特征增强恶意网站识别方法研究:结合恶意URL具有的典型强先验规则,将这些典型先验知识用于增强融合了Bi-LSTM与VGG16的深度神经网络模型（简称BLVGG16模型）,从而将符号知识与神经网络进行融合。该方法可以有效减少数据标注工作量,增强模型的可解释性,加快模型的参数学习收敛速度以及提高模型在小样本下的分类精度。（2）基于Bert-Res Net的多模态恶意网站识别方法研究:针对恶意网站中非结构化文本和图像存在的特征稀疏问题,首先提取网站中的图像和文本数据,然后利用Bert模型和Res Net-50模型分别实现网站文本和图像的特征提取,提出了Bert-Res Net模型,探索文本特征和视觉特征对模型效果的影响,实现了多模态的恶意网站识别方法,提高模型准确率。