当前,互联网已经与人们的生活密不可分,各类网络应用层出不穷,给人们的生活带来了极大的便利。与此同时,网络攻击事件越发频繁,网络安全也逐渐受到重视。Webshell恶意脚本具有灵活多变、隐蔽性强等特点,因此,在网站后台中植入Webshell恶意脚本成为了攻击者最常用的手段之一。本文致力于解决Webshell检测模型在特征提取过程中未考虑Webshell文本数据语义信息导致特征挖掘不充分而影响分类效果问题,为了提升Webshell检测模型的准确率,提出了基于深度过参数化卷积（DO-Conv）的改进文本卷积神经网络（Text CNN）算法,并使用Bidirectional Encoder Representation from Transformers（Bert）模型进行预训练。本文的主要工作如下:（1）针对当前Webshell特征挖掘过程中,未考虑数据集文本语义信息导致特征挖掘不充分的问题,论文中提出了使用Bert预训练模型动态表征词向量的方法,通过搭建Bert预训练模型,将输入的文本数据分为词汇向量、文本向量和位置向量,从词汇级语义信息、句子级语义信息和语序三个方面动态的表征词向量,充分挖掘文本数据的语义特征,同时还搭建了Word to Vector（Word2Vec）和Global Vectors for Word Representation（Glo Ve）两种预训练模型,在三种预训练模型下游均接入Text CNN模型,根据最终的分类准确率进行对比实验,实验表明使用Bert模型动态提取Webshell特征可以有效提升模型的分类效果。（2）针对Text CNN模型结构简单,参数数量少,且收敛速度快,导致模型因在训练过程中不能充分学习到文本数据中的全部特征而影响模型分类效果的问题,论文中提出了一种基于DO-Conv的改进Text CNN算法,使用DOConv层替换原先模型中的卷积层,从而增加模型在训练过程中可学习参数量,降低收敛过程的误差,提高模型的准确率,与一些常见的机器学习模型和深度学习模型进行对比实验,验证了改进Text CNN算法的有效性。该算法在PHP数据集上得到的准确率为99.25%,精确率为98.77%,召回率为99.06%,f1值为99.38%;在ASP数据集上得到的准确率为98.21%,精确率为97.22%,召回率为99.06%,f1值为98.13%;在JSP数据集上得到的准确率为98.96%,精确率为98.04%,召回率为99.24%,f1值为99.01%。实验结果表明,本文设计的改进算法与其他几种算法相比,在PHP、ASP和JSP三类数据集上均有不同程度的提升,有效提升了模型的分类效果。