近年来,在网络攻击的组织性、趋利性、专业性和定向性持续加强的背景下,病毒、蠕虫、木马等恶意代码在网络上的传播活动日趋频繁,所采用的技术手段不断发展进化,这些使得正常的网络应用面临极大的安全威胁。另外恶意代码的数量和种类日趋增多,加上代码迷惑技术的兴起,使得检测恶意代码变得越来越困难。传统的基于签名的检测技术被商业杀毒防毒软件普遍使用,但是它必须要在获取一类病毒的签名之后才能有效的检测这类病毒,而签名一般都在感染后才被获取。这个特点使得计算机系统受到恶意代码威胁的可能性提高了。目前虽然已经有了各种恶意代码的检测方法,但效果不一,特别是对未知恶意代码的检测仍然是需要解决的热点问题。本文对目前已有的各种恶意代码检测算法的检测技术进行了深入研究与分析,并提出了基于标准稀疏编码的恶意代码检测方法。稀疏编码的概念源于视神经网络的研究,是对只有一小部分神经元同时处于活跃状态的多维数据的神经网络的表示方法。稀疏编码理论在视神经细胞的响应特性和外部环境刺激的统计特性之间建立一种科学的数量联系,逐渐成为了一种有效的理解人类神经系统信息加工机制的理论工具,稀疏编码算法在盲源信号分离、语音信号处理、图像特征提取、自然图像去噪、以及模式识别等方面取得了许多成果,具有重要的实用价值。本文将稀疏编码算法首次应用于恶意代码检测领域中,利用特征向量的稀疏性,对恶意代码的结构特征进行分析与分类,取得了良好的效果,不仅可以对已知的恶意代码进行检测检测,对未知的恶意代码也有一定的检测能力。