سرقتهای آنلاین زیان قابل توجه¬ای به کاربران و زیرساختهای تجارت الکترونیک وارد می¬نمایند و در این حملات هکر وب¬سایتهای جعلی را برای سرقت اطلاعات کاربران استفاده می¬نماید. چالش مهم روش¬های کشف دانش مانند شبکه عصبی مصنوعی در آن است که برای افزایش دقت تشخیص حملات فیشینگ نیاز به فاز انتخاب ویژگی و بهبود خطای خروجی با انتخاب بهینه پارامترهای خود دارند و در این پژوهش یک مکانیزم دو لایه برای تشخیص سرقتهای آنلاین ارایه شده است. در روش پیشنهادی در فاز انتخاب ویژگی از الگوریتم کرم شب¬تاب و در فاز یادگیری برای انتخاب پارامترهای شبکه عصبی از الگوریتم بهینه¬سازی علف هرز استفاده شده است. پیاده¬سازی الگوریتم پیشنهادی در محیط متلب و بر روی داده¬های فیشینگ نشان می-دهد الگوریتم کرم شب¬تاب بر حسب تکرار می¬تواند ویژگی¬های بهینه را برای تشخیص سرقتهای آنلاین استخراج نماید و خطای تشخیص فیشینگ در حدود 37% کاهش می¬یابد و از طرفی خطای تشخیص سرقتهای آنلاین با انتخاب بهینه وزن و بایس شبکه عصبی مصوعی توسط الگوریتم بهینه¬سازی علف هرز بر حسب تکرار نزولی بوده و تا 25% کاهش را نشان می¬دهد. نتایج پیاده¬سازی نشان می¬دهد روش پیشنهادی از درخت تصمیم¬گیری، شبکه بیزین، ماشین بردار پشتیبان خطی و شبکه عصبی مصنوعی دارای دقت و حساسیت بیشتری است.