当前,Android手机为人们的生活带来便利、快捷服务的同时,其用户隐私泄露事件也屡屡出现,Android软件作为恶意行为的载体,对其的安全检测已迫在眉睫。传统的机器学习模型在面对多类特征组成的检测依据数据时,会由于数据维度高、噪声多,顾无法对关键信息进行有效地提取,而深度学习方法具有极强的学习特征规律的能力,适合处理这种高维、复杂的多特征数据,基于此,本文提出一种基于深度收缩降噪自编码网络和一种基于深度双通路卷积神经网络的Android恶意软件检测模型。基于深度收缩降噪自编码网络的Android恶意软件检测模型研究中,首先,逆向分析APK文件获取权限、敏感API等七类信息作为特征属性;然后,将特征属性作为深度收缩降噪自编码网络的输入,使用贪婪算法自底向上逐层的对原始特征信息进行抽取,获取最优的低维表示;最后,使用反向传播算法对获取的低维表示进行训练和分类。对输入数据添加噪声,使得重构后的数据具有更强的鲁棒性,同时加入雅克比矩阵作为惩罚项,增强了深度自编码网络的抗扰动能力。实验结果验证了本模型的可行性和高效性,并且具有较高的检测率。基于深度双通路卷积神经网络的Android恶意软件检测模型研究中,首先,将数字数据可视化为图像数据;然后,为提取更多有效信息,设计了一个有两种不同大小且独立工作的卷积核的深度双通路卷积神经网络模型,通过两层双通路卷积层和池化层对图像压缩处理,获取关键信息;最后使用Sigmoid分类器对获取的低维信息进行分类。引入Relu函数,避免了梯度消失并加快了收敛速度,同时添加BN层和Dropout方法,增强了模型的泛化能力。实验结果表明本模型能更好地获取特征数据的关键信息,准确率达到了98.6%且误报率仅有1.19%。