随着万维网的广泛应用和网络威胁的日益严峻，统一资源定位符（uniform resource locator，URL）的安全性成为了网络安全领域的研究热点，如何有效检测并防范恶意URL已经成为了业内非常关注的问题。针对恶意URL检测中存在的数据获取困难、特征表示不足以及模型概念漂移挑战，提出了一种基于EMO-GAN的恶意URL检测框架（EMO-GAN-based malicious URL detection framework，EMO-GANUDF）。该框架通过结合极度随机树（extremely randomized trees，ET）和边缘生成对抗网络（margin generative adversarial network，MarginGAN）进行半监督学习，有效解决了数据获取困难问题。在特征提取上，该框架提出了一种综合统计、字符和词汇特征的特征表示方法，实现了URL的高效特征表示。此外，为了应对模型概念漂移问题，该框架提出了一种支持在线学习（online learning）的分类器，增强了模型拓展性和适应性。在多个数据集和不同检测方法上进行对比实验，所提方法在Malicious URLs公开数据集上达到了99%的准确率和84%的F₁分数，较其他检测方法取得了更好的效果，证明了其有效性及优越性。