目前,恶意代码攻击所导致的网络安全问题成为影响互联网发展的一个重要因素,恶意代码会攻击和窃取核心数据以及敏感信息,甚至直接对计算机的系统和网络进行破坏,是网络安全领域的重大威胁之一。本文针对恶意代码检测文献进行了计量分析,引入深度学习思想,构建了基于级联与深度信念网络的分层检测模型并进行系统实现。本文研究的主要内容如下:1.针对传统的恶意代码检测模型准确率不高以及特征提取复杂的问题,引入深度学习思想,通过深度信念网络模型自动学习样本特征,训练检测模型。分别选取恶意代码的图像纹理特征和指令频度特征,并对两种特征进行融合,用于训练深度信念网络检测模型,提高检测准确率。2.为了进一步提高检测的准确率,提出了基于级联与深度信念网络的恶意代码分层检测模型。级联结构通过Simhash签名值匹配、LBP级联稀疏表示以及反汇编特征匹配进行第一层检测;继而将提取的恶意代码图像纹理特征和指令频度特征进行融合,用于训练深度信念网络,通过深度信念网络进行深层次检测。本文提出的模型能够由简到繁进行检测,提高检测的自动化程度和检测准确率以及可拓展性。3.通过实验对本文模型进行可行性验证。在分别选取图像纹理特征、指令频度特征以及二者的融合特征下,通过不同的检测模型进行结果对比和分析,发现本文提出的基于级联与深度信念网络检测模型相较于其他模型,能够得到更高的准确率。同时,为进一步提高本文模型的应用性,设计并实现了恶意代码检测系统。