计算机病毒,是指对计算机系统造成危害的一系列程序,这些程序通过混淆和隐藏等技术手段在不知不觉中危害用户数据以及计算机系统。随着技术的进步,计算机病毒呈规模式地扩增,其带来的经济损失越发地严重。因此,为了保护计算机系统,需要针对可执行程序中的正常文件和计算机病毒文件做分类处理,使得对计算机系统的防御有的放矢。目前,已有的研究大致归结为两大类,第一类为计算机病毒的传统分类方法,此系列的分类方法针对少量的计算机病毒分类起到很好的效果,但存在针对未大规模的计算机病毒难以分类的局限性;第二类为计算机病毒的智能分类方法,此系列的分类方法可以对大规模可执行程序中的计算机病毒分类处理,耗时短,效率高,但目前已提出的方法中,着重点均在研究模型的构建层面,对数据集预处理的研究不够深入,模型构建优劣的主导因素集中于数据集的预处理。且以上两种系列的分类方法大多集中于计算机病毒的二分类,不明确计算机病毒互相之间的区别和联系。因此,计算机病毒家族的分类对于深入研究计算机病毒相互之间的关联关系至关重要,且需解决应对大规模计算机病毒的分类问题。本文提出了一种自适应的N-gram算法的计算机病毒分类方法。该方法通过对文本处理领域中的N-gram算法进行改进,将计算机病毒程序中的汇编代码这一静态特征提取出来,用以构建能够针对已知和未知计算机病毒的随机森林分类模型。模型评估中不仅立足于机器学习的评估维度,同时也从计算机病毒防御的现实角度评估整个模型和分类过程。最终使得检测率达到了100%,误报率减小到0.408%,并且在基准率为73.38%的前提下,精确度达到了99.85%。在基于自适应的N-gram算法的计算机病毒分类实验中,所使用的数据集是常规的计算机病毒系列数据集,而不是危害性更强的勒索病毒。为了进一步的应对危害性更强的勒索病毒,应进一步研究勒索病毒家族之间的关联关系,找到勒索病毒及其所属家族。由于勒索病毒的每个家族中病毒样本稀缺,只能构成小样本数据集,因此,在小样本的基础上,本论文提出了基于MAML（模型无关的元学习）模型的计算机病毒家族分类方法。这种方法不仅能够适应于小样本的数据集,而且对新一代的病毒家族分类有很好的效果。实验针对每类中仅有20个病毒样本的数据集进行多分类,在不同的N-way,kshot情景下构建了较好的元学习模型,实验结果显示在5way-1shot的情境下验证集的准确率达到82.22%,测试集的准确率达到83.93%;在5way-5shot的情境下,验证集的准确率达到90.91%,测试集的准确率达到95.16%。