随着互联网及相关技术的快速发展,信息网络安全问题也日益突显,人们在享受网络发展带来便利的同时,面临着大量如垃圾邮件、网络钓鱼、点击欺骗等的恶意网络攻击,它们大多借助恶意URL来完成攻击行为。恶意仿冒URL是恶意URL中一种特殊的类型,它仿冒知名网站的域名,以达到迷惑用户、降低传统恶意URL检测方法准确率的目的。针对恶意仿冒URL的有效识别问题,本文提出一种基于深度学习并结合自然语言处理思想的恶意仿冒URL检测方法,以提升恶意仿冒URL的检测识别准确率。基于深度学习检测恶意仿冒URL,需要研究模型的输入、模型的构建、模型输出结果的评估。因此本文主要从恶意仿冒URL深度学习检测的字符编码方式、特征空间的提取与选择、特征提取的效果评估三个方面进行研究。针对恶意仿冒URL深度学习检测的字符编码问题,由于URL各组成部分(协议域、主机名域、路径域、文件名域、参数域)的字符串都有其特定的形式和特殊的意义。通过比较常用字符编码方式的编码效果后,构造基于skip-gram编码器的URL数据表示模型,对URL的最细粒度进行稠密编码,在规定的时间内将URL字符串转化成机器可读且更容易识别的数字向量。针对恶意仿冒URL深度学习检测的特征空间提取与选择问题,选用深度学习模型中的卷积神经网络模型与长短期记忆网络模型从URL数据的隐含语义、时序等特征完成对恶意仿冒URL数据的空间降维与特征提取。本文构建了多层LSTM模型、多层卷积CNN模型及两者相结合的CNN+LSTM模型,利用以上模型完成对恶意仿冒URL的特征提取及结果的对比分析。针对恶意仿冒URL深度学习检测的效果评估问题,本文选择随机森林、随机树、贝叶斯、J48四种分类算法对各模型提取的特征向量进行分类操作,并利用正确率、错误率、召回率等多种评价指标完成对各分类算法的分类效果的评价。通过对LSTM较优模型、CNN优选模型、CNN+LSTM模型、eXpose多核卷积模型的特征提取结果进行分类检测效果评估,选出CNN+LSTM模型为恶意仿冒URL数据特征提取的最优模型,检测准确率最高达98.3%。实验结果表明,本文提出的恶意仿冒URL深度检测模型能够有效提高网络安全人员对恶意仿冒URL的检测效率与准确率,在网络安全领域具有较好的应用前景。