Android平台上恶意App的泛滥不仅对用户的隐私和财产安全产生巨大威胁,而且还会给国家的安全带来重大隐患。随着Android中恶意App的不断增多,对Android恶意App的分析与研究也成为了一个热点。针对传统Android恶意App检测技术不能很好识别具有反检测能力的Android恶意App,检测准确率偏低以及检测方法在手机或嵌入式等受限环境上应用较少等问题,本文研究并提出了一种基于深度学习的Android恶意App检测方案。首先,本文研究分析了目前的Android恶意App检测方案,了解Android恶意App检测过程中的难点、所使用的关键方法和技术,并总结了现有工作的不足之处。接着,针对现有研究中不能很好识别具有反检测能力App的问题,研究了 Android App采用的反检测技术,针对前三代的反检测技术给出了解决方案,能够获取App中的源代码,也为本文的研究提供更加全面的数据。然后,针对传统Android恶意App检测技术的检测准确率偏低的问题,构建了一种基于卷积神经网络的Android恶意App检测模型。为了提高检测模型的泛化能力,在模型中设置了合适的激活函数以使分类器性能尽可能达到最佳,并从实验数据集和模型超参数两方面进一步优化Android恶意App的检测模型;同时,为了解决模型训练的过拟合问题,在构建神经网络时加入了 Dropout层,适当地放弃一部分数据,真正提高模型的检测准确率,最终生成的检测模型准确率达到了 97%左右。最后,针对现有检测模型在手机或嵌入式等受限环境上应用较少等问题,实现了本文所提出的Android恶意App检测模型,并采用TensorFlow Lite技术将生成的模型部署到手机端,从而能够做到对App文件进行本地检测。本文开发的所有源码均已上传到Github进行开源分享。