Android操作系统由于开放性和可移植性等优势而受到人们欢迎,但其相对简单的安全机制使得它成为众多恶意软件攻击的主要目标,各种安全事件给用户带来严重的损失,所以研究行之有效的恶意检测方法无论在学术领域还是工业领域都有非常重要的意义。本文综合研究了各类典型的Android恶意软件检测方法以及它们各自的优势和缺陷,其中重点对基于深度学习的恶意软件检测方法进行分类和对比。在此基础上通过研究Android系统和恶意软件分析的相关知识以及人工神经网络和卷积神经网络的结构和训练过程,结合深度学习算法处理图像的基本原理,提出一种面向图结构的Android恶意软件检测方法。本文研究内容和成果如下:(1)详细介绍卷积神经网络处理图结构的基本思路,提出面向图结构的Android恶意软件检测框架,描述每一个检测步骤的具体操作和相关算法。具体为将应用程序的函数调用关系表示为图结构,经过确定结点序列、生成对应点的邻接图和归一化步骤得到标准的的图结构再输入卷积神经网络。(2)为了验证面向图结构的恶意软件检测方法的各项性能设计了多组实验包括检测率,检测效率,与其它模型的综合性能指标对比,学习曲线以及预知阈值的设置对实验结果的影响。通过分析实验结果证明了方法的可行性以及本文方法在检测效率和综合性能较其它方法有一定程度的提升,通过学习曲线和阈值设置分析了影响实验结果的因素。本文结合深度学习算法处理图像的基本原理研究了卷积神经网络处理图结构的算法,提出一种面向图结构的Android恶意软件检测方法,并通过设计各项实验证明该方法有效可行。