随着Android系统的更新以及移动互联网的发展,Android恶意应用程序日益涌现,其恶意行为的复杂性和隐匿性的持续提高,对Android应用程序安全检测技术形成了巨大挑战。在已有的研究中,应用检测技术主要分为动态检测和静态检测两种,其中,动态检测复杂度高,对代码的覆盖率低,而静态检测无法获得准确信息。基于以上情况,本文提出并实现了一种基于多种检测方式的Android API调用分析技术,目的在于使用静态检测技术结合用户行为分析技术来提取应用程序信息,以补充动态检测的代码覆盖率不足的缺点,并设计数据分析方案对混合数据进行处理和分析,得到量化的评估结果。主要包含以下研究内容:(1)提出了一种包含用户行为分析功能和组件间跳转分析功能的静态数据采集技术。该技术基于反编译实现对安装包的信息提取,并结合对应用程序的界面等与用户交互相关信息的解析建立用户行为模型,之后将用户模型中的点击概率带入随机游走算法来分析组件间的跳转关系,得出组件的访问概率。本技术在数据解析和组件访问概率的基础上估算Android API的调用量。选取97个常用应用程序在服务器环境下进行测试,经验证,本文提出的静态检测技术与已有的静态检测技术相比,可以提取出包含更多信息的数据结果,并对动态检测结果进行补充,使得数据提取更加全面。(2)在静态检测结果和动态检测结果的基础上,本文设计并实现了包含数据处理功能和数据分析功能的应用程序评估技术。该技术通过对原始数据进行选择来提取出统一的多维行为数据,之后通过数据降维技术对多维数据进行处理,以消除动态检测结果和静态检测结果之间的差异,提高分类器的识别能力,并在机器学习的基础上对数据进行分析,得到对应用程序的评估结果。经验证,基于本技术的查全率为94.4%,分类的正确率为94.3%,与单纯使用动态检测数据相比,具有更好的分类效果。经过测试和验证,本文所提出并实现的基于多种检测方式的Android API调用分析系统有着一定的研究与实用价值,为进一步的Android恶意应用程序检测工作提供参考。