随着移动互联网的快速发展,安卓(Android)作为主流移动端系统在2017年便占领了全球83%的市场。然而,安卓系统的开源开放性及碎片化特征,给了攻击者更多漏洞利用的机会,攻击者可通过流氓行为、恶意扣费、隐私窃取、资费消耗等恶意行为,获取用户个人隐私信息,给安卓系统用户带来了极大的困扰与风险,针对安卓恶意软件检测技术的研究成为热点。为此,本文研究基于静态特征的安卓系统恶意软件检测技术,通过提取逆向后的安卓软件中的静态权限和API信息进行检测,以在程序运行前尽早发现恶意软件。本文的主要工作归纳如下:(1)首先,本文提出了一种基于静态权限(Permission)特征的安卓恶意软件检测技术。通过提取大量APK样本的权限特征并进行优化预处理后,分别运用了逻辑回归、SVM以及随机森林三种机器学习算法对大量APK样本中提取的权限特征进行学习,得到APK样本分类器,从而对未知APK样本进行准确快速的分类,检测出恶意软件,并对三种机器学习算法的检测结果进行了分析和比较。(2)进而为了进一步提高APK样本分类器的检测准确率,提出一种权限与API特征相融合的恶意软件检测技术。在提取APK样本权限特征的基础上,同时还提取了APK样本的API特征,随后运用特征融合的方法将权限和API特征进行融合并进行了优化处理,得到优化后的融合特征。进而再次运用三种机器学习算法来对融合后的特征进行学习,得到分类准确率更高的APK样本分类器;最后,对分类检测结果进行对比分析,发现随机森林算法的准确率要优于其它两种算法。(3)设计实现了基于静态特征分析的安卓恶意软件检测原型系统。该系统能够高效地对安卓恶意软件进行在线检测,系统测试结果表明,系统的检测准确率达到92.98%左右,优于BP神经网络算法。最后,总结全文并对下一步工作进行展望。