随着互联网的发展,网络安全相关问题日益严重。本文围绕恶意URL识别,提出并实现了几种能有效识别URL恶意性的方法,并设计了一套恶意URL识别系统。在恶意URL识别上,黑白名单和规则匹配均存在缺陷。黑白名单无法识别未记录在库的URL,而规则匹配当规则数目较多时,难以维护。传统机器学习方法在特征提取和试验时会耗费大量精力。因此本文提出了神经网络的方法。它可以省去特征工程这一繁琐的步骤,模型可以从低层特征不断学习进化为高层特征。实验表明,神经网络模型的效果优于传统检测模型,在安全领域具有应用价值。本文首先实现了一个卷积神经网络模型,检测结果表明该模型的效果远好于传统模型。此外,考虑到某些安全领域,缺乏带标签的高质量数据集以及实际场景中,异常样本往往只占总体的少数,本文还提出了自编码神经网络模型,通过无监督学习的方法,来识别异常样本。本文还对域名的异常性单独做了检测。由于某些原因,不法分子会采用自动生成域名的方法。因此如果某链接的域名是由算法生成的,其为异常链接的概率也会比较高。之后本文构建了Wide&Deep网络模型,该模型能同时处理非结构化和结构化数据。最后本文设计了一套恶意样本检测系统,该系统集成了多个模型,这些模型共同实现对恶意样本的检测。