Android操作系统生态友好和开源的特性,使得其成为世界第一的移动操作系统,然而其开源性也导致了Android恶意软件的迅猛增长,对移动设备和用户造成了巨大威胁,因此,Android恶意软件检测是一个迫切需要研究和解决的重要问题。在Android恶意软件检测的研究工作中,基本存在两个问题,一是忽略了特征之间重要性的差异,即每个特征的重要性以及对Android系统的威胁性是不同的;另一个问题是选择用于检测的分类器对权重不敏感,进一步降低了特征权重的重要性。因此,针对上述的两个问题,本文设计了一种基于特征加权和参数联合优化的Android恶意软件检测方案（JOWMDroid）。该方案避免将所有特征放到一个集合中,来训练分类器与进行最后的检测,根据特征的重要性差异赋予每个特征不同的权重。首先,从Android应用程序包中提取出八类特征,然后针对这八类特征利用信息增益算法进行特征选择,选择一定数量的最重要特征,其次,通过训练三个机器学习模型为每个被选择的特征计算一个初始权重,然后利用自行设计的五个参数化的权重映射函数,将每个特征的初始权重映射成最终权重。最后,利用差分进化算法对权重映射函数和不同分类器的参数进行联合优化。相关实验结果表明,本方案优于目前四种常用的特征加权方法,提高权重感知分类器的竞争力。