随着互联网的不断发展,电子支付的日益普及,网络欺诈问题逐渐成为人们关注的焦点。网络钓鱼(Web Phishing)是指这样一类欺诈行为:攻击者通过短信,邮件,虚假广告,即时聊天工具等社交手段,利用社会工程技巧,引导用户访问一些看似真实的假冒网站,以骗取用户的隐私信息,例如私人账号密码,支付口令,信用卡信息等等。无论是对企业用户还是个人用户而言,钓鱼网站的检测都是一项重要任务。随着网络钓鱼检测的研究成果不断提出与应用,虽然很大程度上减少了网络钓鱼的威胁,但也因检测方式都有各自的局限性,导致攻击者可以根据不同检测方式以相对较低成本躲避检测。针对现有算法的缺陷,本文重点研究了网络钓鱼的行为模式。以运营商的真实网络流量作为研究对象,在现有研究成果基础上,本文总结出钓鱼网站的三种特征:固有特征,交互特征与传递特征。同时本文研究了概率图模型(Probabilistic Graphical Model)以及相关算法,提出了两种新的检测算法,分别为:基于马尔可夫随机场(Markov Random Field)的置信传播算法(Belief Propagation)检测模型,以及基于深度学习(Deep Learning)领域的深度信念网络(Deep Belief Network)检测模型。实验结果表明,本文提出的算法在部署成本较低的情况下具有良好的检测成功率与运行效率。其中,基于置信传播算法的检测模型可以在误报率不超过3%的情况下达到超过90%的检出率,基于深度信念网络的算法也可以达到接近90%的检出率。并且两种检测算法都可以一定程度上对新出现的钓鱼网络进行判别。同时算法设计时考虑了分布式计算,在流行的分布式处理框架中,检测模型也具有良好的可推广性。