随着移动设备数量的增加和Android操作系统市场占有率的显著提升,Android平台下应用程序软件的安全性受到了越来越多的关注和挑战。随着机器学习技术和深度学习技术的发展,如何将相关技术高效和准确的运用于恶意软件检测领域成为了研究的方向。本文的研究目的主要是希望基于深度学习技术来设计与实现一个检测系统,能够在Android平台下对相关的应用程序软件进行安全性检测和识别。本文使用静态反编译获取到的操作指令序列和动态分析检测到的敏感行为序列作为特征。其中参考了自然语言处理领域的神经网络模型,将操作指令序列视为机器的一种自然语言。最终搭建了一个基于卷积神经网络和长短时记忆网络的混合神经网络模型来进行学习和训练。在TensorFlow平台下实现并且测试了神经网络模型,能够对恶意应用程序软件实现检测和识别。在收集整理的数据集上综合表现好,实验结果能够达到91.3%的准确率。此外,以这个神经网络模型作为核心检测模块,结合了黑名单机制、反编译分析、模拟运行检测等模块,设计并且实现了一个Android恶意软件检测系统。该系统具有覆盖全面、准确率高、运行效率快、可拓展性好的特点,能够实现对相关恶意软件的检测和识别功能。