随着大数据时代的到来,人们逐渐面临各式各样的网络安全问题,而恶意URL（Uniform Resource Locator）作为Web攻击的媒介,渐渐威胁着用户的信息安全。传统的恶意网页检测手段如黑名单检测、签名匹配方法正逐步暴露缺陷,且恶意网页的检测工作面临以下挑战:特征覆盖不足以及特征选取复杂,恶意URL分词及上下文信息等特征的丢失,实际检测环境中正常恶意类别样本分布不均衡。因此针对以上挑战,本文利用深度学习思想并引入代价敏感学习,对恶意网页进行检测。本文的主要研究内容及创新点如下:（1）本文将HTTP（Hyper Text Transfer Protocol）请求参数结合URL信息作为原始数据样本进行特征提取,并进行了相应的数据处理工作,解决了单纯URL数据过于简单而造成特征提取困难的问题。同时已有的工作均通过分析直接选择不同的编码方式进行数字向量化表示,而本文通过实验对比了三种编码处理方式,根据实验结果选取了最佳字符编码的处理方式,保证了后续检测模型的效果,且验证了HTTP请求参数的结合对于恶意网页检测的可行性。（2）设计并构建了基于卷积神经网络和双向长短期记忆网络的检测模型。针对URL字符输入的特点,设计了适合URL检测的卷积神经网络模型,为了提取数据深层特征,使用了两层卷积层进行特征提取,并设计不同尺寸的组合卷积窗口进行局部特征提取,通过实验对比选取了组合卷积窗口的最佳方式。其次本文在池化层选择使用双向长短期记忆神经网络提取数据的时序特征,同时将该网络的最后一个单元输出达到池化效果。多数研究提取时序特征均采用通过全连接层组合神经网络模型的方式,相比之下本文的研究方法既有效提取了数据的上下文信息,又避免了大量的模型计算,保证了模型的检测效率。（3）设计并构建了基于代价敏感策略的神经网络模型。在实际应用中的恶意网页数量往往远小于正常网页的数量,常规的方法使用理想数据集进行模型训练,其最终检测效果可能存在假阳的现象。因此本文在深度学习网络模型中引入了代价敏感策略,为数据样本在迭代过程中分配不同惩罚因子,改进了数据样本初始化权重的分配规则并进行了归一化处理,增加恶意样本在整体误差函数中的比重,使模型更加关注困难学习样本。最终通过实验证明改进后的检测模型能够较好的处理数据不均衡的问题,使模型更具泛化性和可扩展性。