随着互联网技术近20年的发展和应用,人们的生活与网络变得越来越紧密。与此同时社会上出现了许多企图利用互联网技术来危害网络用户身心健康和财产安全的不法分子。欺诈网页是不法分子常用的一种欺诈手段,通过伪装网页链接和网页内容等行为来欺骗搜索引擎和网络用户,从而达到散布黄色、赌博或毒品信息以及盗取用户隐私等目的。因此如何准确的识别欺诈网页是目前迫切需要解决的问题。由于欺诈网页数据量远少于正常网页,导致传统分类算法难以充分学习欺诈网页特征,最终难以正确识别欺诈网页。本文选择Xgboost算法作为基础检测算法,着重研究欺诈网页数据不平衡对算法的影响,提出了基于梯度分布调节策略的Xgboost算法(LCGHA-Xgboost),通过损失贡献密度(Loss Contribution Density,LCD)来衡量Xgboost算法正确分类样本的代价,依据损失贡献密度调整样本个体的一阶梯度分布,提高欺诈网页损失量占比,帮助Xgboost充分学习欺诈网页特征信息,从而达到增强欺诈网页检测准确率的目标。对比实验表明,LCGHA-Xgboost算法相比其余对比算法可以有效的提高欺诈网页等难分样本的识别检出能力。此外本文深入研究欺诈网页和正常网页被错误分类后会产生不同代价的问题,构建了代价敏感欺诈网页检测机制。该机制在Xgboost算法中引入代价敏感学习技术,提出基于代价敏感的Xgboost算法(CS-Xgboost),CS-Xgboost改进蝙蝠算法,寻找最优误分类代价参数,从而提高欺诈网页检测准确率。蝙蝠智能进化算法(Bat Algorithm,BA)存在后期搜索精度不够、易陷入局部最优等问题,提出了基于柯西变异和位变异的动态权重蝙蝠算法(CBDW-BA)。将代价敏感Xgboost算法封装成改进的蝙蝠算法的适应度函数,从而将代价敏感学习中误分类代价参数作为进化算法的寻优问题,以分类算法AUC值作为适应度函数的适应值,构建了代价敏感欺诈网页检测机制(CSSDM)。该机制一方面保证了代价敏感算法的分类性能,另一方面避免了人为确定误分类代价的影响。为了验证该机制的有效性,本文首先针对改进的蝙蝠算法进行性能测试实验,实验结果表明该方法寻优性能和收敛性能均得到了大幅增强。接下来,再选择多种传统集成学习算法和近年优秀研究成果作为对比算法进行实验,实验结果表明本论文提出的代价敏感欺诈网页检测机制(CSSDM)优于其余对比算法,有效地提高了欺诈网页检测性能,减小分类错误造成的损失。