钓鱼攻击已成为人们日常网络环境面临的重大威胁。钓鱼攻击者伪装可信网站骗取用户信任,窃取用户敏感数据,使得用户造成损失。因此,需要一种有效的方法来防止网络钓鱼攻击对人们造成持续的损失。网络钓鱼检测系统广泛应用机器学习模型对海量钓鱼数据集进行分类。基于经验,研究人员倾向于提取尽可能多的特征来提高网络钓鱼检测性能。然而,特征集中的冗余特征和无用特征会降低底层分类模型的性能。与此同时,现有的钓鱼检测模型大多只关注检测的准确率,对召回率的重视不够。然而,在钓鱼检测中将钓鱼网站检测为合法网站比将合法网站检测为钓鱼网站危害更大。本文提出了一种基于改进的多目标进化优化算法MOE和随机森林RF的网络钓鱼检测模型MOE/RF。MOE/RF模型不仅将准确率作为检测目标,而且将钓鱼网站检测为合法网站的误检概率最小化。同时,本文提出了基于对称不确定性的种群初始化和基于种群状态的自适应环境选择两种新策略来提高MOE算法的性能。实验结果表明,本文提出的模型相比现有的许多方法具有更高的性能。本文主要的工作如下:1)将多目标进化优化算法应用于钓鱼检测。传统钓鱼检测方法总是会忽略将钓鱼网站误检为合法网站的危害性,往往仅着眼于模型准确度的提高。在MOE/RF模型中,我们不仅考虑模型的准确率,也最大限度降低将非法网站误检为合法网站的概率,提升模型的性能。2)设计基于对称不确定性的种群初始化策略。MOE/RF模型中以对称不确定性作为衡量钓鱼特征重要性的指标,它能够评估单个特征与网站标签之间的相关性。与随机种群初始化策略相比,种群初始化过程中利用SU先验知识能够有效避免MOE的无效搜索。3)设计基于种群状态的自适应环境选择策略。该策略根据非支配个体的分布将在进化过程中的种群划分为三种状态,在新定义的三种状态的基础上提出了自适应环境选择策略,即对不同的种群状态采用不同的选解策略。实验证明该策略保证了模型的收敛性和多样性。4)采用随机森林作为基础分类器以及将本文设计的模型MOE/RF与最新的钓鱼检测模型和传统的钓鱼检测模型进行比较。实验验证本文采用随机森林作为分类器的合理性,验证了本文设计的模型的有效性。