随着互联网技术与移动智能设备的不断发展,科技不断融入人们生活的各个角落。Android系统一直在移动智能终端领域占有一席之地,越来越多的Android应用也应运而生。用户在享受Android应用带来便利的同时,也面临着很多问题。首先,许多恶意软件的出现对Android用户的隐私和财产安全带来威胁。此外,如果未对Android应用进行正确的功能分类,则用户在不知道具体应用名字的情况下,很难在海量Android应用中找到自己所需类别的Android应用。如何高效的管理大量Android应用,构建良好的Android生态环境,是当前需要研究解决的重要问题。本课题通过分别构建基于神经网络的Android应用性质分类模型和Android应用功能分类模型,并在此基础上设计实现了 Android应用分类系统,解决了 Android应用的性质和功能的分类问题。针对Android应用的性质分类问题,本课题收集了 6120个Android恶意应用和5513个Android良性应用,作为Android应用性质分类的样本。本课题独创性地研究并验证了良性与恶意Android样本的四大组件数量差异,将其作为构建Android应用性质分类模型的特征之一,构建了基于神经网络的Android应用性质分类模型,达到了 99.7%的准确率。针对Android应用的功能分类问题,本课题对不同功能的Android应用样本进行深入研究。本课题收集了 13种,共5103个Android应用安装包及应用介绍,作为功能分类的实验样本。本课题独创性地将Android应用的应用介绍和字符串资源整合为样本的描述信息,基于自然语言处理技术对Android应用样本进行特征处理,构建基于神经网络的分类模型,并通过集成学习改进模型性能,达到了87.2%的准确率。此外,本课题独创性地构建了 Android应用描述词云图,完成Android应用功能分类的可视化辅助展示。在此基础上,本课题为满足Android应用分类预测的可视化操作需求,开发了基于B/S架构的Android应用分类系统,有效提供了可视化程度高、交互友好的Android应用分类服务。