چکیده: حملات فیشینگ به‌عنوان یکی از تهدیدات اصلی امنیت سایبری، با تقلید از وب‌سایت‌های معتبر و فریب کاربران، موجب افشای اطلاعات حساس و زیان‌های مالی گسترده می‌شود. پیچیدگی روزافزون این حملات و شباهت بالای الگوهای فیشینگ به وب‌سایت‌های قانونی، نیاز به روش‌های تشخیص خودکار و دقیق را افزایش داده است. در این راستا، روش‌های سنتی مبتنی بر قوانین و فیلترینگ قادر به شناسایی همه‌جانبه این حملات نیستند و استفاده از تکنیک‌های یادگیری ماشین و یادگیری عمیق به‌عنوان راهکاری مؤثر مطرح می‌شود. در این پژوهش، یک مدل ترکیبی برای تشخیص حملات فیشینگ ارائه شده است که شامل سه مؤلفه اصلی است. ابتدا شبکه بازگشتی GRU برای استخراج وابستگی‌های ترتیبی و ساختاری از ویژگی‌های وب‌سایت‌ها به‌کار گرفته می‌شود، سپس با استفاده از الگوریتم انتخاب ویژگی NCA، ویژگی‌های کلیدی و مؤثر انتخاب و ابعاد داده کاهش می‌یابد. در نهایت، طبقه‌بند ELM به‌عنوان یک روش سریع و کارآمد، وظیفه تصمیم‌گیری نهایی را بر عهده دارد. این مدل بر روی پایگاه داده فیشینگ وب‌سایت UCI پیاده‌سازی و با استفاده از تکنیک‌های پیش‌پردازش و افزایش داده، آموزش و ارزیابی شده است. بر اساس نتایج شبیه‏سازی دقت مدل پیشنهادی برابر با 98.46 درصد می‌باشد.