在线社交网络在为人们的生活提供便利的同时,其广阔的社会和经济价值成为攻击者图谋不轨的目标。在线社交网络中的恶意社交机器人不但污染了社交网络环境,还会引导舆论,威胁国家安全。本文研究在线社交网络中恶意社交机器人的检测技术,旨在快速而有效地识别出恶意社交机器人账号,从根源上避免发生不法分子利用社交机器人煽动舆论、威胁社会和国家稳定的事件,有效保障社会公共安全。首先,本文总结分析了在线社交网络中恶意社交机器人的行为给个人信息安全、社会公共安全和国家安全所带来的威胁。从早期的社交网络中的异常账号入手,阐述其是如何逐渐演化升级为恶意社交机器人,以及具备的更强大的破坏力;同时阐述现有检测方案在检测特征选择、数据标注和检测模型等方面的不足。其次,针对已有研究中检测特征不全面、对情感特征的关注较少等不足,提出了系统化的恶意社交机器人检测特征体系,分为静态特征类、动态传播类和关系演化类,包含账号特征、内容特征、情感特征、传播特征和演化特征。提出了基于LSTM网络和Attention机制的情感分类模型,利用两者在特征提取方面的优势,强化对在线社交网络账号情感特征的提取。之后,针对现有数据集大多未经标注类别,而人工标注存在较大主观性,影响检测结果的现状,提出了基于并行计算的无监督样本集标注方法,并在Hadoop平台上实现样本集标注。不但摆脱了人工标记过程中主观因素的干扰,还能够降低运算代价,为后续的检测提供较为可靠的数据集。最后,针对现有检测方法模型结构较为单一、检测性能较差的现状,提出了基于卷积神经网络的恶意社交机器人检测模型,并从实验数据集和模型超参数两方面优化检测模型。实验验证了本文提出的基于卷积神经网络的恶意社交机器人检测模型的可行性与有效性。