网页广告一直是用户上网过程中最影响浏览体验的一个元素,而且广告的存在会威胁用户的信息安全。因此基于广告对用户的不友好性,广告屏蔽软件得到了快速的发展。目前的广告屏蔽软件主要分为两大类,一类是通过模式识别对网页中的URL和元素进行匹配,以当下最为流行的AdBlock Plus为代表,这类插件一般对广告的识别准确度较高,但其需要耗费大量人力来维护过滤列表,而且对于新出现的广告或者经过混淆的广告无法有效识别;另一类是基于特征识别的方式,通过分类器对提取到的广告特征进行学习得到分类模型,此类方法识别精度取决于提取的广告特征模板以及选取的分类器。基于上述两类方法各自的不足,提出一种基于RF-DNN混合模型的网页广告识别方法,弥补不足的同时,结合两者的优势。首先,基于DOM树对网页进行动态解析,得到广告实例。然后结合网络中提出的不同类型的广告特征,总结一份特征模板,在此基础上加入EasyList过滤列表中的关键词,并将广告实例转换成特征向量。然后本文将经过粒子群算法优化后的随机森林模型映射至深度神经网络,成功将随机森林的用户友好特性与深度神经网络的准确性结合起来。通过集合方法,提升了神经网络的准确性。将随机森林训练得到的输入输出关系传递给神经网络,提升了神经网络训练过程中的拟合速度。将训练好的模型映射至神经网络,减少了训练过程中需要指定的超参数数目,降低了神经网络设计的难度。接着,在公共数据集上进行比较实验,证明了所提算法的分类有效性。最后将基于此算法完成的广告过滤插件与其他插件相比较。在与其他同样基于特征识别的插件比较中,证明了本文提出的特征模板与分类模型的组合具有更好的性能。在与基于模式识别的插件进行比较的过程中,证明了本文所提方法确实降低了广告过滤列表未及时更新对识别精度造成的影响。