移动通信设备的快速发展,极大的推进了社会信息化的进程的同时,也受到了许多恶意软件设计者的关注。尽管大量的研究人员对Android恶意软件检测技术的研究越发深入,有效遏制了恶意软件数量的快速增长,但360安全大脑仅在2019年就检测到高达1,809,000个新的恶意软件,移动安全威胁仍然严峻。针对于以上所提到的移动安全威胁,本文首先对目前所存在的Android恶意软件进行了大量的分析,总结出常见的恶意软件行为,并在此基础上进行了Android恶意软件检测的研究。本文的主要工作和贡献如下。1)本文提出了一个基于应用复杂度划分的恶意软件检测模型。通过对现有检测技术的研究以及实验验证,发现了应用复杂度特性对于Android恶意软件检测精度的干扰,针对于这个问题,以应用复杂度特性为基础,提出了基于应用复杂度划分的恶意软件检测模型。通过利用应用复杂度划分原始数据集,将原始数据集划分为四个包含不同应用复杂度类别应用程序的数据集;为提高恶意软件检测效率,提出了基于频率差的特征选择方法,选择出最佳的特征子集;基于对多种机器学习算法的研究,选择五种常用的机器学习算法来验证基于应用复杂度划分的检测模型的准确率和效率。通过实验验证,基于应用复杂度划分的恶意软件检测模型在SVM分类器上分类效果最好,达到95.18%-99.19%Accuracy和95.45%-99.68%Recall,并且大幅度提高了恶意软件检测的效率。2)为了进一步解决应用复杂度对于Android恶意软件检测精度的干扰,探究应用复杂度与分类结果之间的关联关系,提出了基于多标签分类的恶意软件检测模型。通过将应用复杂度类别转化为标签,将原本的二分类问题转化为多标签分类问题,利用多标签分类算法探索应用复杂度类别标签与分类标签之间的二元关联关系,有效的解决了应用复杂度对于恶意软件检测精度的干扰,极大的提高了Android恶意软件检测的准确度。通过训练二阶策略多标签分类算法Calibrated Label Ranking,分类准确率达到了98.45%。通过上述工作,本文对应用复杂度的特性进行了详细的研究,针对于应用复杂度对Android恶意软件检测精度的干扰这一问题,提出了相应的检测模型来消除应用复杂度的干扰,有效的提高了Android恶意软件检测的精度和检测效率。