近年来,随着互联网的普及,网络用户迅速增长,网络环境也日益复杂。为处理网络中成倍增长的数据,各式各样的互联网技术也随之出现。无论在网络上还是日常交流中,语言自出现伊始便一直担任着人们交流的媒介,应用于人们生活的方方面面。为了处理网络环境下的大量语言文本信息,自然语言处理技术开始出现并迅速发展,随后广泛应用于网络数据的处理。如基于分类任务的情感分析,新闻分类和基于生成任务的文本摘要和机器翻译等。但自然语言技术不仅能够作为人们日常生活的辅助,还能够维护网络环境的安全与和谐。本文提出了两种将自然语言技术应用于安全领域的方法。对于在网络环境中,保护用户的个人隐私信息领域,本文尝试利用语言的语义信息代替生物信息生成密钥序列用于加密,首次将语义信息与密钥技术相结合,提出了语义密钥概念和语义提取+特征稳定+模糊提取的语义密钥生成框架。在该生成框架下通过改进后的BERT-Remap模型和Unet-NCC模型搭建出语义密钥生成模型SKEM。改进后BERT-Remap模型能使向量更好的表示语句语义信息,Unet-NCC模型则能更有效的完成特征稳定,因此,在人工造句的实验环境中,SKEM模型生成的语义密钥准确率可达99%以上,同时保持错误率低于0.5%,在与其他该生成框架下模型的对比中,均取得最佳效果。对于净化网络环境,提高网络中不良文本过滤模型性能领域,本文提出了通过对抗样本生成扩充不良文本数据集,提高过滤模型性能的方法。提出了基于GPT2的对抗样本生成方法。利用GPT2模型对语义信息的把握,挑选出语句中对语句语义及分类结果影响最大的词语进行扰动,并提出了谐音,视觉,字母三种扰动方式以及两种添加扰动的方法。最后,通过语义相似度阈值筛选出与原始样本语义一致的对抗样本。该方法生成的对抗样本在与原始样本语义相似度超过0.7的条件下,能够使作为分类器的LSTM模型准确率下降超过30%。将对抗样本加入训练集对分类器LSTM模型进行重训练后模型准确率可提升至93%以上。