如今,安卓恶意软件已经成为我们日常数字化生活中一个严重的威胁,且恶意软件的数量不断增加,种类也越来越多,使得传统分析手段变得低效甚至失效。因此,迫切需要高效且精确的检测方式来抵御恶意软件,以保护安卓用户的安全。近几年很多研究者提出了基于机器学习的方法,但这些方法通常使用轻量级的语法属性,所得特征对于表征应用程序过于简单,这对安卓恶意软件的检测来说是远远不够的。而语义属性可以很好的表征应用程序的行为,因此本文采用程序的语义属性来对安卓恶意软件展开研究。本文内容主要分为以下两个部分:一、本文提出了基于控制流程图与数据流程图的安卓恶意软件检测方法。首先,本文通过静态程序分析提取安卓应用程序的控制流程图与数据流程图,同时考虑过程内分析与过程间分析两种方式。然后,将所得流程图编码为矩阵,在矩阵化过程中,本文还考虑了图的水平组合和垂直组合两种方式。最后,基于卷积神经网络构建安卓恶意软件检测模型。为了验证方法的有效性,本文在由Marvin、Drebin、VirusShare和ContagioDump组成的近10万数据上构建了一系列实验,实验结果显示本文的检测方法有很好的检测效果,其中水平组合方式的检测效果最好,F1值可达到98.722%。此外,本文还与同类方法进行比较,包括DODroid、CSBD、Drebin、VirusTotal网站中的检测工具,实验结果表明本文方法的F1值高于其他方法。二、本文提出了安卓恶意软件家族分类以及家族行为挖掘的方法。在恶意软件家族的分类中,仍然是以控制流程图与数据流程图为特征,大体方法与恶意软件检测方法相似,不同之处在于恶意软件家族分类中还考虑了被调用方法对应的权限信息。为了验证分类方法的有效性,本文对20类、共10675个安卓恶意软件进行了实验。实验结果表明本文方法的分类结果准确率可达92%以上,且比Drebin和VirusTotal中的工具高。在家族行为挖掘过程中,本文先从每个恶意软件的流程图中提取其连续的操作指令序列,结合家族分类模型中的权重对操作指令序列进行筛选,最后使用文本分析算法TF-IDF对同一家族中恶意软件的指令序列进行分析获得可表示每个恶意软件家族的特征向量,通过对特征向量的分析来挖掘每个恶意软件家族的行为。为验证所得特征向量的有效性,本文进行了一组基于欧氏距离的分类评估实验。实验结果表明,特征向量排名前x的序列能够有效地表示恶意软件家族的行为,当控制流程图的指令序列取前0.01%至0.02%、数据流程图的指令序列取前0.05%至0.07%时准确度迅速提高,之后增速变缓。