随着我国移动互联网技术的不断发展,移动设备在人们日常学习生活中变得越来越重要。由于Android操作系统具有开源性和易移植性等优点,目前国内市场上接近80%的智能设备是使用的Android操作系统,这也使其成为了恶意攻击的主要目标,爆发式增长的恶意软件,给用户们造成了非常大的困扰。近年来,安全研究人员将数据挖掘和机器学习技术应用于恶意样本检测领域,而机器学习,即使是先进的深度学习已被证实易受对抗性攻击,其中对抗性攻击是指通过对样本添加微小扰动形成对抗样本,使得模型会把对抗样本误分类,使得恶意对抗样本逃避模型检测。因此如何提高恶意软件检测系统受到对抗攻击时系统的鲁棒性具有一定的实际意义。本文总结目前国内外对Android恶意软件检测研究的优缺点,针对当前Android恶意软件检测中存在的对于对抗性恶意样本检测低的问题,提出了基于多任务学习的对抗性恶意软件检测,利用多任务学习模型能利用包含在相关工作任务的监督信号中的领域知识来改善泛化性能的优点,根据应用市场中划分的软件功能类别,首先将Android应用软件样本划分为不同的样本空间,将恶意软件分类任务和应用分类任务的目标组合在多任务体系结构中,提高恶意软件分类的效果。其次为了提高对抗样本的攻击的鲁棒性,本文在实验中制作了虚拟对抗性恶意样本对模型进行了对抗训练,并与单任务深度神经网络模型和防御性蒸馏方法进行了对比试验。最后,实验结果表明本文提出的多任务检测模型进行对抗训练后的检测结果相比单任务模型检测率最高提升了12.57%(在对抗样本达到450时),对于检测模型的原始检测性能影响也较小,误报率降低了3.79%。同时对比蒸馏学习模型,本文所提模型检测率提高了2.16%,同时误报率也更低。