随着移动互联网高速的发展,Android恶意软件无论是在数量上还是种类上都呈现高速增长的趋势。恶意软件可能会窃取用户的隐私数据,比如短信消息、地理位置、照片、各种账号及密码信息,严重影响用户的信息安全、财产安全和隐私安全,而常用的某些安全管理软件本身往往就窃取用户隐私数据,具有恶意软件特征。鉴于此,如何实现可信的恶意软件检测程序成为一个值得研究的问题。针对该问题,本文研究了 Android恶意软件的检测方法及系统。本文收集了大量Android平台恶意与非恶意软件APK数据集,并在其上展开实验工作。采用信息增益特征选择算法及反编译技术确定了组合静态特征作为静态检测的分类特征;采用监控、记录、分析程序运行时动态行为的方法确定了动态特征,并将静态特征和动态特征相结合的特征作为动态检测的分类特征;基于以上特征,实现了自动特征提取并对特征进行了向量化。在以上获取的静态分类特征及特征数据的基础上,本文采用朴素贝叶斯、随机森林、K近邻、支持向量机、Xgboost算法展开实验,确定了 Xgboost算法用于静态检测模型,其准确率为96.9%,AUC为96.7%。基于以上获取的动态分类特征及特征数据,本文采用深度学习算法展开实验,确定了深度降噪收缩自编码网络用于动态检测模型,其准确率为98.9%,AUC为98.8%。本文还进行了对比实验,实验结果表明,本文提出的Android恶意软件静态、动态检测模型具有更好的分类效果。基于以上模型,本文实现了 Android恶意软件检测系统,该系统包含Android端静态检测和云端动态检测。本文介绍了系统的需求分析、概要设计、功能模块设计、数据库表设计,给出了本地静态检测模块、云端动态检测模块、权限扫描模块、应用程序锁模块、密码设置模块的详细设计,描述了以上模块的实现过程,并对开发完成后的系统进行了测试。测试结果表明,本系统能够较好的满足Android移动终端对恶意软件APK的检测需求。