随着智能手机的快速发展,其带来的安全问题也越来越严重。特别是由于目前市场上缺乏对安卓APP的有效检测手段,使得虚假的安卓APP越来越容易被用户下载和使用,这些虚假安卓APP会以非法的手段窃取智能手机用户的个人信息,给用户造成重大损失。为了解决虚假安卓APP给广大智能手机用户带来的安全性问题,本文的主要研究工作如下:针对日益泛滥的虚假安卓APP,本文设计并实现了虚假安卓APP分析与检测系统。首先,对于安卓应用程序,采用静态分析和动态分析相结合的方法提取出静态特征和动态特征,从而生成应用程序的特征向量;然后,基于深度学习中的深度信念网络算法和传统机器学习的三种分类算法设计了虚假安卓APP的分类模型,并通过收集到的样本数据对分类模型进行训练;最后,利用生成的分类模型对待测安卓应用程序进行分类检测与分析。系统采用多种分类模型对安卓应用程序的静态特征和动态特征进行检测,避免了单一的检测方法带来的代码覆盖率不足和误报率高的缺点。本文收集了25 000份安卓APP样本数据进行训练与测试分析,实验结果表明,面向大数据的虚假安卓APP分析与检测系统能够高效率、高准确率得对虚假安卓APP进行分类与检测。基于深度学习的APP分类算法对于虚假安卓APP的检测正确率达到了97.08%,比随机森林分类算法高出4.59%,比支持向量机分类算法高出16.45%,比K最近邻算法模型高出15.33%。