移动通信技术的逐渐完善推动了移动互联网的迅猛发展,功能强大的移动智能设备与人们日常生活紧密相连,并且提供了各种人性化服务。Android操作系统凭借其系统的开源性和市场的吸引力快速发展并占据了大部分市场份额,同时也由于其系统的开源性滋生了大量的恶意应用。移动通信APP的安全直接关系着用户的隐私安全和财产安全,一旦智能手机下载并安装了恶意应用,就会造成Android用户的隐私泄露和资费消耗。因此,如何提高基于Android系统的恶意应用检测效率以及如何从应用中提取更多有效的行为特征成为移动通信APP安全技术研究的主要课题。针对目前基于机器学习的Android恶意应用检测技术偏向于对单一特征进行分析研究,没有合理利用Android应用中的多类行为特征,没有合理选择不同机器学习算法对某类行为特征的最优算法。本文创新性的引入D-S证据理论对预测结果进行信息融合并且在Android平台开发了移动APP检测工具。首先,本文介绍了Android恶意应用检测技术的研究背景和意义,并阐述了Android系统以及常见的两种恶意软件检测技术;其次,通过在Python中调用Androguard框架中相应的函数来提取权限组合、系统API以及相关组件特征作为恶意行为特征;然后,针对这3类静态特征分别选取3种机器学习分类算法中的最优算法并将预测结果使用D-S证据理论进行特征融合来识别Android恶意应用;接着,设计了多特征融合模型,并设计实验对3657个应用样本进行检测,实验显示本模型检测性能更好;最后,运用多特征模型开发了飞行员健康管理系统,其中的APP检测功能实现了移动APP的自动化检测。