互联网的快速发展伴随着全球互联网用户的数量激增,大部分平台为了不同用户获取个性化数据,要求用户使用账号密码来获取其在本平台的应用资源或服务,这使得密码成为当今社交网络中主要的身份验证方法。传统上的密码字典构造算法多基于经验知识和人为设定的规则集,在密码猜测应用上取得了不错的效果。但随着互联网的发展,用户安全意识也随之提升,密码设定规则的复杂性增长,基于人为设定规则的密码字典构造有效性逐渐降低。在互联网发展的同时伴随着各种安全事件,有很多明文密码数据集被泄露。被泄露的用户密码也反映出用户设置密码的一些信息。有了这些数据集,越来越多的研究人员对于通过算法学习泄露密码,从而推断用户构造密码的习惯,进而生成有效密码字典产生了浓厚的兴趣,在密码攻击、密码生成、用户密码习惯等方面展开了各种各样的研究。本文认为人类在设置密码时有一定的选择性,所以将密码字符串视作一种文本序列,基于现有的长短期记忆人工神经网络（LSTM）算法,并选用随机梯度下降方法,对被泄露出的Rockyou公司的密码数据集进行学习训练,现代GPU算力提升可以更高效的处理巨量数据,使用GPU对于模型训练过程进行加速。本文进行长短期记忆人工神经网络算法生成的密码字典与现有的马尔科夫链密码生成模型和概率上下文无关法生成密码模型生成的密码字典进行覆盖率的对比实验,选取训练好的模型根据一定的方法生成密码字典,以提升传统密码字典攻击的性能,增加密码字典对于测试数据集的覆盖率;同时本文对传统的根据用户密码的长度以及包含的字符种类数来确定该密码的强度的方法提出改进,提出一种基于LSTM算法模型的密码强度计,帮助用户降低密码强度和记忆难度的矛盾,使用户可以在方便记忆的同时增加密码强度,提升用户体验。最后,对于未来用户设置密码的选择提供了一些建议,以增强用户密码的安全性使其难以被破解。