随着时代的发展,Android智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。面对严峻的安全问题带来的诸多隐患,尤其是Android恶意软件带来的各类风险,本文主要针对Android恶意软件检测的问题,提出了一种基于深度学习的Android恶意软件检测系统。本文所实现系统的主要研究步骤如下.:第一步,利用网络爬虫技术收集良性应用软件与从研究机构收集的恶意应用软件组成数据集用于实验。第二步,在研究中使用了静态检测技术和动态检测技术相结合的方式提取相关的Android安全特征。第三步,对提取的特征集进行数据预处理。第四步,训练了逻辑回归、随机森林和迭代决策树三种基于机器学习的分类器和叠加噪声的自动编码机、深度信念网络、卷积神经网络三种基于深度学习的分类器。第五步,利用各种评测指标综合评比,选择最优的分类器。通过对比实验结果,证明利用深度学习相关技术在研究此类问题时有更高的准确率,在预测恶意软件时更有效果。第六步,训练了一种效率更高的组合分类器并实现了一款基于 Django 的系统:DroidGuard。本论文的主要研究工作在于,与浅层机器学习相比,采用叠加噪声的自动编码机等深度学习算法研究Android恶意软件的分类,不仅提高了机器学习无法全面理解语义特征所带来的问题,同时也提高了静态特征和动态特征对Android软件的安全语义信息的表达,从而增加了分类器模型对安全特征信息的学习和理解能力。本系统采用基于深度学习的方法研究Android恶意软件的分类问题,最终通过对现实中49662个应用的数据集构建了一个较好的组合分类器,该系统的检测正确率为97.9%,对比相关研究有更高的准确率和可信度。实验结果说明,本文所提出的方法可以高效检测恶意软件,并具有实际应用价值。