移动互联网已逐渐替代传统互联网演变为当今时代的主流,在这个时代背景下,移动智能终端无疑将取代PC作为新的消息载体。随着各种层次移动应用平台的出现,为整个移动互联网提供了数以百万的应用程序,这些应用虽然丰富和改善了人们的生活,但也给人们带来了各种安全隐患,例如:电子银行被盗、个人隐私泄露、恶意扣费等。这些恶意行为在很大程度上影响智能移动终端应用市场的正常运行,由于该领域已属于大数据范围,相关的行业规范还急需完善,为此,基于移动应用恶意行为检测的研究具有潜在的价值和意义。本文在研读国内外基于Android平台应用程序检测方法的基础上,结合Android平台相关安全机制、安全架构,组件安全、通信安全、内核安全,深入研究了Android应用层面面临的安全威胁,在威胁检测与模型构建方面进行全面研究。通过在众多类别App中选取三种App作为样本空间,对样本App进行逆向分析,提取申请权限、广播消息、API调用等相关特征,根据这些特征生成二进制向量,然后基于向量选择特征子集,最后采用支持向量机优化算法、随机森林优化算法、自适应性增强优化算法三类机器学习算法对该特征子集进行分类,构建分类模型,提出一种基于机器学习的Android应用程序恶意行为检测模型,利用上述技术搭建实验环境,最终给出相关分类样本基于相关算法所达到的性能指标,完成各类恶意行为的实时检测。