近年来,随着物联网技术的快速发展,PC终端和移动终端的使用量上也在成指数式增长,便携式的移动终端也越来越受人们的喜爱,对人们的日常生活产生了巨大的改变和影响。在Android智能手机推广的这几年,QQ、微信、电子邮箱等通信软件也已深入人们的日常生活,用于及时的交流通信,互通友谊;现在随着电子支付的推广以及新冠疫情期间推行的健康码政策,更让每个人都离不开智能手机,与我们之前使用的传统PC端设备不同,相对于传统的PC端设备笨重和不易携带,现在的智能终端产品具有体积小和易携易带的特点,可以方便人们随时随地的进行社会交流和其他的文明活动。与传统PC终端设备做对比,人们的日常学习和生活同移动智能终端设备的联系更加紧密,其中不仅有电子身份证的重要信息,还有每个用户的聊天信息和密码等隐私的东西。正因为利益的驱动关系,越来越多的恶意软件制造商和黑客生产出大量的恶意软件和病毒,从中获得巨大的利益,每年都有非常多的用户遭受恶意软件的毒害。因此,从Android软件程序安全的角度来说,恶意软件检测技术的研究与提高是很有意义的。面对着越来越多的恶意软件威胁,研究者们提出了相应的解决方案,基于静态特征和动态特征的恶意软件检测技术应运而生。为了提高Android恶意软件的检测效率,利用一维CNN快速处理时序问题的能力和GRU模型处理上下文具有长期依赖关系问题的能力,提出了基于CNN-GRU模型的Android恶意代码检测方案。本文的主要研究内容及成果如下:（1）研究并分析了现有的恶意Android软件的检测技术和Android系统的架构组成。对现有的Android恶意软件检测研究进行了总结和梳理,对Android系统架构的硬件组件,App组件,请求权限,API调用等特征进行了全面深入的研究。（2）提出了一种Android恶意软件的检测模型,基于CNN-GRU的Android恶意软件检测模型。Android恶意代码的特征提取是通过反编译APK文件后,从反编译生成的文件中提取API调用、权限、使用的组件等相关信息来组成最终的输入特征,搭建CNN-GRU网络模型进行检测。（3）对论文中提出的基于CNN-GRU的Android恶意软件检测模型的效果进行验证,并与其他的模型进行对照实验。检测结果证明,新提出的网络模型在效率和准确率方面都要好。本文通过从APK文件提取静态特征,利用CNN-GRU的深度学习网络模型,对DREBIN数据集的Android软件进行区分,为Android恶意软件检测提出一种方案。