近年来,随着移动互联网的高速发展,智能手机和移动设备开始在个人或商业用途上逐渐普及,在人类日常生活中扮演着重要的角色。由于Android平台的开源性和可拓展性,Android系统开始迅速发展成世界上最受欢迎的移动端操作系统,也因此成为移动端恶意攻击者的首要攻击目标。大量恶意软件渗透在Android系统中,为移动端用户的隐私和财产造成大量损失。本文从对恶意软件的静态特征研究入手,分析了 Android系统安全机制和恶意软件行为,结合静态分析技术和机器学习算法,设计了一个完整的Android平台恶意软件检测方案。该方案包含两个模块,第一个模块实现对未知软件中的恶意软件的识别,第二个模块负责对已识别出的恶意软件进行类别分类。在对未知恶意软件的识别模块中,本文对恶意软件的权限、Intent Action和,API特征进行了分析,经过筛选后提取了敏感权限、Intent Action和敏感API序列特征的组合特征作为恶意软件的识别特征。在对已识别出的恶意软件的分类模块中,本文使用了改进的文本分类领域中关键词赋权的方法,对某种权限与不同类别恶意软件之间的关联程度进行了量化,从而为每种权限赋予不同的权重,并将待检测恶意软件声明的所有权限的列表转化为可应用于机器学习分类模型的特征向量。最后本文分别从以上两个模块中提取出静态特征,结合一种基于梯度提升树(Gradient Boosting Decision Tree,GBDT)和逻辑回归(Logistics Regression,LR)的融合模型来完成对Android恶意软件的识别和分类。实验结果表明,本文提出的Android平台恶意软件检测方案具有良好的检测效果。