随着移动互联网的飞速发展和无线网络的不断普及,手机已经成为人们生活中的一部分。目前手机系统以IOS和Android为主,其中Android系统因其开源、开发方便、免费等特性深受广大开发者喜爱。同时由于Android设备价格选择多、平台功能扩展性强等因素,使得Android用户数量更为庞大,目前Android市场占有率已经超过了 80%。然而,Android的高市场占用率和其开源性吸引了不少恶意应用开发者的关注。他们通过互联网和应用商店等途径传播恶意应用,使Android市场混乱不堪。这些恶意应用不但能对用户个人造成利益损害,还威胁着企业、国家的安全,严重影响了 Android市场的良性发展。面对Android平台存在的大量恶意应用,如何高效、精准地检测恶意应用是一个需要迅速解决的问题。本论文主要针对Android系统恶意应用检测方法展开研究。首先对Android系统发展进行了简单的介绍,并且详细描述了 Android系统架构以及Android安全机制。随后介绍了目前Android恶意应用的种类、威胁、传播途径,最后简单介绍了 Android应用程序的反编译技术和机器学习技术,并且阐述了 Android恶意应用检测和机器学习之间的联系。为进一步提高检测准确率,本文提出了一种基于改进支持向量机(Support Vector Machine,SVM)的Android恶意应用检测模型。该模型在SVM分类算法的基础上,对Android应用权限信息进行提取,并且利用Relief算法对特征进行筛选,以此减少特征数量,去除冗余特征,实验表明,利用经筛选后的特征生成的分类器具有更好的分类效果。此外,该模型利用遗传算法(GeneticAlgorithm,GA)获取近似最佳的SVM模型参数,利用该参数建立Android恶意应用检测模型。实验结果表明,使用Relief、GA改进的SVM模型可以有效提高检测精度,降低误报率。