随着移动通信技术的不断进步和移动网络提速降费政策的影响,智能手机和平板电脑等移动智能终端已经被广泛应用到日常生活和商业环境中。与此同时,各种恶意安卓应用程序层出不穷并且肆意蔓延,为了保护安卓用户的数据安全和财产安全,我们急需有效的检测工具、检测方法和手段去应对越来越多且越来越复杂的安全挑战。本文根据对现有恶意安卓应用检测方法和多粒度级联森林理论的学习,借鉴机器学习在其他领域取得成功的经验,提出了一种基于静态多粒度级联森林的恶意安卓应用检测模型体系,详细介绍了该模型体系中的APK数据库模块、APK特征提取模块、GCForest训练模块和未知属性APK检测模块。该模型的核心模块APK特征提取模块和GCForest训练模块通过反编译技术提取特征数据并使用多粒度扫描进行特征转换以及通过级联森林进行监督学习。最后,本文利用公开的安卓应用样本对提出的模型进行了仿真实验分析,在实验中,讨论了多粒度扫描时随机森林中树的数量、滑动窗口的大小、滑动步长、级联层随机森林的数量、级联层单个随机森林中树的数量对分类准确率和消耗时间的影响,并且将超参数设置为最优时与SVM和RandomForest进行对比。实验表明,基于静态多粒度级联森林的恶意安卓应用检测模型的分类准确率和AUC值更高。