随着网络技术高速发展,恶意软件种类不断丰富。传统恶意软件检测依赖人工提取特征,前期投入成本高且无法识别已有软件变体或新型软件,具有较强滞后性,为此引入深度学习解决传统检测方法存在的问题。应用深度学习能够提高恶意软件检测的效率与准确性,但无法给出决策的明确解释降低了预测结果的可信度,限制其在实际场景中的应用,因此国内外学者对深度学习的可解释性方法进行研究。现有研究主要针对图像和表格数据,假定特征之间相互独立,但恶意软件检测通常以序列数据作为分析目标,这些数据的特征之间存在较强的时序相关性,已有解释性方法很难做出正确的解释,因此有必要研究面向恶意软件检测的深度神经网络的可解释性方法。本文研究基于深度学习的恶意软件检测方法和面向时序数据的深度模型解释性方法,研究工作主要包括以下几个方面:（1）优化已有数据集的倾斜问题并提出使用序列去重解决检测绕过的问题。给出一个ATTGMC模型解决恶意软件检测问题,采用卷积结构提取局部特征,利用双向递归神经网络结合注意力机制捕获全局特征,双通道综合考虑序列数据的整体特征和局部特征,通过实验对比验证所给模型的有效性。（2）提出面向时序数据的稳定黑盒局部解释性方法DLIMEM,首先使用聚类算法或随机扰动生成样本邻域数据集,然后利用邻域数据集结合约束机制构建线性模型拟合复杂模型的决策边界,最后通过线性模型获取影响决策的重要特征,实验结果表明DLIMEM方法在保真性和稳定性方面优于已有方法。（3）在上述研究基础上,设计并实现具有解释性的恶意软件检测框架,框架包括预处理模块、分类模块和解释模块三部分。