امروزه شبکه اینترنت نقش قابل توجهی در فعالیت های تجاری و کسب و کار دارد. امنیت ضعیف این شبکه و دستاوردهای بزرگ مالی ارائه شده در آن، انگیزه ای قوی برای مهاجمان به منظور ارتکاب به کلاهبرداری در این عرصه را فراهم نموده است. در تجارت الکترونیک و بانکدارای الکترونیکی، یکی از مهمترین ریسکها و چالشهای مورد توجه، خطر کلاهبرداری آنلاین است که معمولا از طریق روشهایی همانند حملات فیشینگ و یا سرقت هویت رخ می دهد. فیشینگ شکلی از سرقت هویت الکترونیکی است که در آن مهاجم با استفاده از مهندسی اجتماعی و روش های ساخت وب سایتهای جعلی، سعی در فریب کاربر به منظور آشکار کردن اطلاعات محرمانه و ارزشمند خود دارد. روشهای مختلفی به منظور شناسایی و کشف حملات فیشینگ ارائه گردیده است. در این پژوهش با ارائه ویژگیهای جدید در کنار سایر ویژگیهای شناسایی حملات فیشینگ، سیستم خبره ای طراحی و پیاده سازی شده است که قادر است این نوع حملات را در بانکداری الکترونیکی با دقت بالایی شناسایی نماید. برای این منظور، دو مجموعه ویژگی جدید معرفی گردیده است. با استفاده از روش دسته بندی ماشین بردار پشتیبان و تحلیل حساسیت، مدلی بهینه از ترکیب ویژگیهای پیشنهادی در کنار سایر ویژگیهای ارزشمند در تشخیص حملات فیشینگ، ارائه گردیده است. سپس با استفاده از درخت تصمیم و روشی به منظور استخراج قواعد از مدل بهینه ارائه شده، یک سیستم خبره در قالب یک افزونه برای مرورگر پیاده سازی شده است. نتایج حاصل از ارزیابی سیستم نهایی بر روی یک مجموعه از سایتهای جعلی (فیشینگ) و اصلی بانکداری الکترونیکی، نشاندهنده قابلیت تشخیص حملات فیشینگ بدون ایجاد خطای منفی کاذب است که در مقایسه با سایر روشهای مبتنی بر یادگیری ماشین، از دقت بالایی برخوردار است.