随着互联网技术的革新和普及,Web应用逐渐成为人们日常工作生活中重要的服务角色。然而Web应用往往暴露在开放且不甚安全的网络环境中,其中SQL注入攻击就是一种常见的Web应用攻击技术。它通过注入恶意SQL代码对Web应用背后的数据库执行非授权命令以提权或窃取数据。传统的SQL注入检测方法识别精度不高且难以适应大规模识别任务,并且大多数SQL注入检测方法因针对网络请求参数的载荷进行检测而具有较高的误报率。为解决上述问题,本文提出了基于双向长短期记忆模型（Bi-directional Long-Short Term Memory,BiLSTM）的语句级SQL注入检测方案,在SQL语句级别上进行注入检测,提升在大规模数据中的检测效果并有效降低误报率。本文主要贡献和工作内容如下:首先,本文提出了语句级SQL注入检测系统,通过中间件和语句级SQL注入检测网络SLSqli Net（Sentence-Level SQLi Net）对SQL语句进行实时SQL注入检测。中间件用于捕获并转发Web应用和数据库之间的通信流量,向SLSqli Net传递SQL语句进行检测。SLSqli Net通过层级结构首先利用语法分析技术和泛化规则对SQL语句进行泛化以提取语句内部的结构性特征;再结合Albert预训练技术提取语句内部的语义特征生成句向量;最后使用基于BiLSTM的检测模型对预处理后的语句进行SQL注入检测。其次,本文基于语句级SQL注入检测系统设计了语句级SQL注入样本生成方法,并创建了当前已知范围内首个语句级SQL注入数据集。本文利用恶意载荷（Payload）对实验环境下的自建Web应用实施SQL注入攻击从而得到恶意样本。为补充验证本文所提的语句级SQL注入检测方案可推广至现实世界的Web应用,本文还构建了基于Word Press内容管理系统的语句级SQL注入数据集。最后,本文对基于BiLSTM的SLSqliNet进行模型训练和评估,并与分别采用支持向量机、长短期记忆模型作为分类器的语句级SQL注入检测模型进行对比实验,结果表明基于BiLSTM的检测模型具有最佳的检测效果。此外,本文还对前人提出的基于卷积神经网络的SQL注入检测模型以及基于隐马尔可夫模型的Web攻击检测系统进行了对比实验,结果表明本文的语句级SQL注入检测方案极大程度地降低了误报率。