钓鱼网站通过包装为正常网站诱骗用户输入关键信息从而完成窃取,对网络及公众的安全构成了威胁。决策树是一种可以运用于识别钓鱼网站的高效算法,但其中的ID3算法对连续值无法处理,而Cart决策树则会规避这一缺点,并且在实际应用中误判为正常网站的危害远大于误判为钓鱼网站。因此本文选择具有较高检测效率的Cart决策树算法并通过引入代价函数,调整特征的权重从而减少钓鱼网页的漏报率,进行非平衡性的结果输出。在深度学习中,机器自主提取特征已成为主流,但特征的提取一直是启发式模型的瓶颈,而卷积神经网络可以对海量数据集进行抽象提取,并具有较好的拟合性,但其训练耗时较长,同时也会产生梯度消失等难以解释的黑箱效应。因此本文利用ReLU函数的稀疏特性,在卷积神经网络用链式求导计算权值时,作为它的激活函数来解决这一问题。结合以上两点,本文提出新的钓鱼检测模型CNN-DT,该模型主要采用了利用ReLu函数作为激活函数的卷积神经网络并优化其结构,来用于特征的提取;并且加入了引入代价函数的决策树作为特征分类器,对钓鱼网页进行检测。经实验验证,优化后的CNN-DT模型在检测精度和检测速度上都有了显著的提升,有更强的鲁棒性,证明该模型可较好的运用于钓鱼检测。