随着移动设备和互联网技术的发展,Android智能终端设备已经成为我们生活中不可缺少的一部分。Andorid作为一个开源的系统,不仅吸引了众多的开发者开发合法的应用,也给别有用心的恶意软件开发者提供了“机会”。因此,随着Android智能手机市场份额的增加,针对Android平台的恶意软件也呈现出爆炸式的增长。恶意软件严重威胁用户数据、隐私和金钱等。因此,为了给广大用户提供一个安全舒适的使用环境,Android恶意软件检测的研究成为了近几年的一个研究热点。当前,国内外研究者对Android恶意软件检测主要使用静态分析或动态分析的方法提取特征,提取到特征后,直接使用某种机器学习算法对包含特征的数据进行训练。这种方法不能很好的利用多种特征丰富的语义信息,同时,检测性能往往比较低下。在本文中,为了提高Android恶意软件检测的性能并且有效地利用这些特征,提出了两种基于特征融合的检测方法。本文不仅提取了应用程序编程接口(Application Programming Interface,简称API)和权限作为特征,而且根据代码种的方法提取了代码块作为特征,并且采用卡方检验算法进一步细化特征并去除冗余的特征。第一种方法基于异构信息网络检测方法,将应用程序、相关API、权限、代码块利用异构信息网络表示。然后,使用元图(或元结构)来描述应用程序和API、权限、代码之间的语义关联,并使用元图相似性原理来度量应用程序之间的相似性,用相似性矩阵表示。最终,使用支持向量机算法将相似性矩阵作为核矩阵进行训练,得到检测模型。第二种方法基于多阶训练的特征融合模型,分别对生成的三种特征集进行第一阶段多模型训练,然后,对每类特征集的训练结果进行加权融合。最终,将融合的数据作为第二阶段训练的输入特征,在第二阶段训练后得到检测模型。此模型采用了堆叠泛化模型的思想来进行多阶段学习,以此提高检测算法的泛化能力,避免单一分类器在某些方面的缺点,提高预测能力。实验分析了40394个应用程序,其中包含28843恶意应用和11551个良性应用。通过静态分析技术,我们总共提取到104851个API调用、597个权限、1768387个代码块。实验结果表明,基于异构信息网络的特征融合检测模型最高能达到97%的检测准确率,基于多阶段训练的特征融合模型最高能达到99%的准确率。