信息安全与用户财产以及个人利益息息相关,为防止用户误入恶意网页蒙受财产的损失,如何高速有效的鉴别网页的实际内容,成为时下研究的热点。然而随着当今信息产业的高速发展,信息传输速率得到了极大的提升,恶意网页从过去以文字作为主要的信息载体,逐渐过渡到图像与文字相结合的模式。特别在赌博、色情、诈骗等网页中,充斥着大量有害的图片信息。假使可以有效地提取这些图像特征,将有助于提高恶意网页的识别率。因此,本文通过提取网页图像的特征语义,结合网页文本特征以改善恶意网页的识别效果。论文开展的主要工作如下:(1)为有效的提取恶意网页中的图像信息,本文采用深度学习方法对图像进行识别,旨在提取图像信息辅助恶意网页检测。通过总结常用深度学习算法的优缺点设计对比实验,结合恶意网页的实际检测环境进行算法选型。同时针对MASK R-CNN中存在计算冗余现象,改善MASK R-CNN的网络结构,提升检测效率。(2)由于静态图像中可以表达的信息量较少,特别是姿态信息因表达不详尽易产生歧义性,因此本文采用语义分割和Kinect模板匹配法相结合的方法对目标姿态的语义进行预测,通过识别人体的基本姿态,再结合图像中的物体上下文信息,利用BP神经网络进行语义组合,推导出图像的最终语义辅助检测。(3)研究恶意网页的攻击原理以及检测方法,针对现有恶意网页检测技术中对图像信息利用不充分的现状,改良传统恶意网页检测算法,引入图像语义提取模块辅助网页识别,再与恶意网页的其余特征相融合,最终送入分类器进行识别。本文通过分模块的设计来实现恶意网页检测系统,同时采用不同类型的网页数据集对系统进行测试,以验证本文改进算法的正确性。测试结果表明,与其他恶意网页检测方法和相比,引入图像语义特征有效地提高检测精度。