人工智能与移动通信技术的融合使得智能手机已经成为了人们生活当中不可缺少的设备之一,搭载着不同操作系统的智能手机为人们的生活增添了许多乐趣。在这些操作系统中,Android系统由于其独特的开源性成为了智能手机领域的佼佼者,使得研究人员围绕Android系统进行了多角度的研究,然而在另一方面,Android系统也由于其开源的特点成为了恶意代码攻击的首选目标。由于Android这一独特的特性,使得Android恶意软件检测技术成为了一个不断研究的方向。本文在对Android平台的安全机制及缺陷做了深入的研究和分析后,提出了一种基于机器学习的Android恶意软件检测方案,同时应用该方案实现了相应的检测系统,本文的主要工作如下:(1)针对传统检测方案特征选取种类少、特征选取范围单一等问题,本文提出了一种结合静态分析和动态分析的多维特征提取方案。本文共提取了五类静态特征,包括权限信息,函数调用,硬件访问,组件以及意图等。考虑到软件在运行过程中对系统性能的影响也能区分该软件是否具有恶意性,因此本文通过沙箱技术从虚拟环境中提取了软件运行过程中系统的电池消耗量、内存消耗量、CPU占用时间等性能指标,并与静态特征一起构建了混合特征集。本方案捕获了应用的静态和动态特征,相比只分析权限和函数调用的提取方案而言,本文共提取了十二类特征,多角度反映了Android应用的行为,提高了特征提取的全面性。(2)针对传统分类模型在训练和测试高维特征数据过程中存在的分类精度不高等问题,本文提出了一种基于支持向量机的Android恶意软件检测模型,并设计了一种优化的Relief算法,弥补了传统Relief算法不能去除冗余特征的缺陷。该算法从原始特征集合中提取有效特征子集,实现了特征降维。实验表明,相比传统检测模型而言,融合该特征选择算法的支持向量机分类模型能够有效的提高分类精度。(3)本文设计实现了一个基于C/S架构的Android恶意软件检测系统。系统融合了本文研究的特征提取方案以及基于支持向量机的检测模型。检测模型被放置在服务器端进行深度检测,客户端只设置了轻量级检测,以此减少用户手机内电量、CPU等系统资源的消耗从而使系统的检测效率得到优化。本系统由轻量级检测和深度检测两个模块联合运行。测试结果表明,本系统在检测未知软件过程中具有较高的运行效率和检测准确率。