随着移动互联网的快速发展,Android系统凭借开源的特性占有了全球85%以上的市场。然而,由于Android系统的开放以及碎片化的特性,再加上Android设备的流行,很多黑客就会想着各种办法从海量的用户群获取利益,这使得Android移动端的恶意软件越来越多,严重困扰着每个移动用户的隐私和财产安全。因此,设计出更好的Android恶意软件检测方法迫在眉睫。本文重点研究基于图像纹理和BP神经网络的恶意软件检测技术。主要工作如下:(1)本文首先深入分析Android系统架构、四大组件、Dalvik和ART虚拟机,及其安全模型。重点对安全模型中的沙箱机制、权限机制、数字签名机制进行了详细分析。同时,对Android恶意软件攻击技术和检测技术进行了详细分析。通过收集大量的Android恶意软件进行分析,总结了 Android平台下的安全威胁来源,以及恶意软件的分类。然后,针对如何快速有效的检测分析Android恶意软件进行深入研究,总结了常用的检测技术,包括静态分析和动态分析技术,以及流行的基于机器学习的检测技术和病毒可视化分析技术。(2)在此基础上,本文针对传统的恶意软件检测方法存在检测速度慢、多平台检测适应性弱等问题,提出一种基于图像纹理和BP神经网络算法的恶意软件检测方法,通过结合图像分析技术和恶意软件检测技术,将恶意软件转换成灰度图像,使用 GLCM(Gray-Level Co-Occurrence Matrix)算法和 GIST(Generalized Search Trees)算法提取纹理特征,并基于BP神经网络算法进行学习和训练,从而快速准确地识别出不同平台的恶意软件。(3)本文在提出的方法之上,实现了恶意软件的图像纹理提取和检测原型系统,该系统具有检测速度快、多平台检测适应性强的特点,能有效提高检测准确率。