随着Android系统及其应用的快速发展,Android用户正面临被窃取隐私的危险,Android系统手机逐渐成为追逐利益的攻击者的完美目标。用户通常从不知名的应用商店安装应用程序,存在下载到恶意应用程序的风险。针对这一问题,完成了一系列关于Android移动终端恶意软件检测的研究。我们的主要目的是评估使用机器学习和深度学习来检测Android恶意软件应用程序的静态分析的效率。在我们的研究论文中,我们讨论了两种检测Android恶意软件的方法。黑帽黑客通常将恶意应用程序上传至应用商店,尽管应用商店存在恶意软件应用程序过滤器,但过滤效果并不理想,无法全面检测恶意软件。针对此问题,提出了一种通过应用商店和Android清单上访问的元信息来检测恶意Android应用程序的方法。该技术主要构建在文本挖掘过程中,从元数据提取重要信息,然后构建高效且非常精确的分类器以发现Android恶意应用。其主要目标是提供一种快速有效的方法来帮助用户避免在安装应用程序执行分析之前受到感染。实验结果表明,该方法提供了更高的准确性,能够对恶意应用程序进行分类。随着新Android应用程序的数量不断增加,由于通过分析恶意软件的行为和反编译代码手动进行检测,这些恶意软件已知可以手动开发恶意软件签名,Android移动平台中的恶意软件检测成为重要难题。针对这一问题,提出一种Android恶意软件检测方法,首先对APK文件中的原始操作码序列进行静态分析,然后应用深度卷积神经网络(CNN)来检测Android恶意软件。通过实验获得的结果证明了使用这种方法检测Android恶意软件的可靠性,因为它在使用大型数据集时使我们获得更高的准确性。如果在高性能计算机中使用,可以在短时间内高效地应用于大量APK文件。