面对日益复杂的网络攻击与漏洞威胁，传统模糊测试因代码覆盖率不足、动态适应能力弱及人工验证成本高面临挑战。本文提出一种基于多模态感知与深度强化学习的模糊测试框架，利用时空注意力机制的多模态特征融合方法，有效整合网络流量、系统日志、源代码及用户行为等异构数据，生成统一特征表征；设计了改进的深度Q网络算法，其动态奖励函数融合覆盖率增量、程序崩溃信号与测试冗余度惩罚因子，用于优化测试用例生成策略；构建两级漏洞判定流程降低误报率。实验表明，在OpenSSL、Nginx和Apache HTTP Server测试中，分支覆盖率达79.3%～84.7%，较传统方法提升16～35个百分点，漏洞复现成功率提升40%～167%。