Android恶意软件检测是基于恶意软件分析技术获取程序信息并对其进行统计分析构建数据源,最后使用设定的方法来对恶意软件进行分类识别。信息来源主要是依靠程序分析技术对恶意软件进行信息获取,而静态信息相对于动态信息而言,具有容易获取的特性,通过反汇编技术能够批量获取部分程序信息。而检测手段,常用传统特征码匹配方法,以及使用机器学习对程序信息进行分类本文主要采用机器学习的方法对Android恶意软件进行检测,针对Android恶意软件样本特征重要性不同,数据集不平衡,高维的软件特征会降低检测效率,主要研究不同种类信息构建联合特征检测方法,以及针对超长字符串型但信息单调的操作码样本信息,研究多特征融合以及长文本分类两种方法,具体研究如下:（1）针对Android恶意软件样本特征重要性不同的问题,提出一种相关性低的特征联合恶意软件检测方案,首先对Android软件样本进行反编译,提取细粒度高维的特征;然后对数据源进行统计分析,对不同种类的程序信息设计不同的加工方案,对提取的高维信息进行加工,构建低维检测数据源,最后,采用机器学习分类器实现恶意软件检测。其中,针对易于获取的权限、API信息,统计恶意软件中的高频存在,选择部分信息加工;不常用于检测的辅助信息则使用证书日期以及混淆技术使用信息,则根据不同信息的使用情况进行加工。（2）针对超长序列语义的操作码特征检测效率低,数据集信息不平衡,检测效果不稳定的问题,提出一种使用N-gram方法对操作码进行加工后与权限和API信息结合构建的多特征融合恶意软件检测方法,使用机器学习模型融合的方法进行分类,在保证效率的同时提升了恶意软件检测的稳定性。（3）针对以指令为单词单位的超长序列语义的操作码信息数据容量过大,训练时间消耗过长的问题,提出了一种以方法区间为单词单位的指令序列局部语义检测方式,提升检测准确率的同时显著降低训练时间消耗。综上所述,本文的研究是基于Android恶意软件样本的程序信息类别,针对性的提出不同的恶意软件检测方案。实验结果表明,本文提出的Android恶意软件检测方案能有效的反映程序信息,提高检测性能,具有现实意义。