‘钓鱼(Phishing)"网站攻击是指通过模仿真实站点,实现假冒合法者身份骗取用户信任,继而窃取个人账户或隐私信息的违法行为。随着钓鱼网站的危害越来越严重,钓鱼网页检测作为一种反钓鱼措施与技术受到普遍的关注和重视。本文提出一种基于深度信念网络(Deep Belief Networks, DBN)的钓鱼网页智能检测方法,在分析网页内容特征的基础上,用DBN模型分类检测识别钓鱼网页。首先,由于网页内容特征的提取在很大程度上影响着钓鱼网页的检测结果,论文全面提取了网页的文档特征和图像特征,并丰富了网页特征的种类,在对页面的HTML源码和DOM文档模型进行分析的基础上,提取更加精准的钓鱼网页特征向量。其次,针对提取后网页文本和图像特征向量维数多且格式不一致的问题,论文采用流行学习中的Isomap算法对前面生成的网页特征向量进行规格化降维处理,使之符合钓鱼网页分类器的输入要求,并且提高检测精度。再次,论文运用深度学习的DBN算法,构建了钓鱼网页智能检测分类器,给出了基于DBN的钓鱼网页检测方法的具体步骤和实验结果,并分析了算法的优缺点。实验证明,论文提出的基于DBN的钓鱼网页检测方法有较高的检测精度和较低的误判率。最后,论文设计和实现了一个钓鱼网页的深度学习智能检测系统,系统采用C/S模式设计,并展示了系统架构设计以及部分功能界面。