随着互联网科技的不断前进,越来越多的网络应用实例发生在我们身边,互联网科技在辅助人们生活变的更好的同时,也为人们带来了新的危险。恶意URL带给人们的损害致使人们开始逐渐意识到,采取行动来对抗恶意URL攻击,降低恶意URL攻击给人们带来危害的可能性是极其重要的。黑名单过滤检测技术也就应运而生,但随着科技的逐渐发展,数据集逐渐变得庞大,简单的黑名单检测技术远远不能满足当前对恶意URL检测技术的需求。机器学习算法逐步的应用于恶意URL的检测技术研究中,但是各个研究者所构建的模型准确率均有差异,且研究者们一般选择使用单一的机器学习算法来构建检测模型,这必然会导致检测模型在某些条件下表现出较为不好的性能。本文主要对基于机器学习的恶意URL检测技术进行了研究,构建了一个多分类器共同作用的检测模型,最后使用构建的多分类器模型设计并实现了一个对实时数据流进行处理的恶意URL检测系统。本文中主要完成的工作内容包括:分多种渠道对所需的正负数据集进行收集,并对收集到的数据进行了数据均衡、疑似恶意单词替换数据清洗等预处理操作。结合恶意URL检测特征提取的现有研究成果,加入自定义的新特征项,构建了一种新的综合特征提取方案,并对TF-IDF特征提取方案与基于word2vec词向量特征提取方案进行了实现。构建多分类器检测模型,检测模型中的三个分类器分别是,基于综合特征提取的逻辑回归模型、基于TF-IDF特征提取的SVM模型、基于word2vec词向量特征提取的CNN网络模型。通过给三种模型分配不同的权重,实验并调整恶意URL判定的阈值,来提高多分类器共同作用检测模型的综合性能。使用所提出的多分类器检测模型构建了一个恶意URL检测系统。设计并实现了一个对实时数据流进行恶意URL检测的系统,并对其进行了测试与结果分析。测试结果中发现,利用所提出的多分类器检测模型方案构建的恶意URL检测系统,在测试集上表现出了较好的分类性能,在正确率、召回率、精确率、F1值、检测耗时上表现出了较好的综合性能。