近年来,互联网、移动互联网和物联网飞速发展,各种各样的Web应用和服务不断涌现,给人们的生活和工作带来了极大便利。然而,针对Web服务器端的攻击事件也随之日益增长,Web应用和服务面临着以恶意请求攻击为主的网络安全威胁,对企业和用户的财产及隐私造成了严重损害。因此,如何快速、准确地检测出恶意请求攻击并及时阻止其运行,具有重要的研究意义。现有的恶意请求检测技术中,基于规则的方法需要大量专家知识和人力去设计和维护规则库;基于统计分析和机器学习的方法需要手工从请求报文中构造和提取特征,过程繁琐复杂。针对这些问题,本文将HTTP请求报文视作具有一定语义的文本字符串,用文本分类的思路来解决恶意请求检测这一课题。本文首先提出了基于字符级向量表示和CNN的恶意请求检测方法,具体地,使用自然语言处理中的神经网络语言模型Word2vec从字符级的角度捕获HTTP请求中的语义信息,获得其字符级二维向量表示;设计了特殊的CNN网络模型,自动地提取HTTP请求的字符级向量表示中的高阶语义特征并实现二分类。更进一步地,为了充分挖掘HTTP请求报文中蕴含的丰富语义信息来提高分类性能,本文借助多模态学习技术,提出了基于多尺度特征融合的恶意请求检测方法。该方法同时从字符级和单词级两个尺度对同一个HTTP请求进行建模;接着构造了语义特征提取和语义特征融合子网络,用于学习HTTP请求的多尺度公共向量表示;最后使用线性分类器进行二分类。为了证明所提出的两个方法的有效性,本文在通用数据集及真实网络流量数据集上进行了一系列验证与分析。实验结果表明,本文方法在各项性能指标上都优于现有方法;同时可以学习到有表达力和区分度的HTTP请求向量表示。