随着Android操作系统的广泛流行,Android平台恶意软件日益增多,对用户隐私和财产安全构成了极大威胁。因此,有效准确地检测恶意软件、维护用户信息安全具有重要意义。为防范Android恶意软件的攻击,提高恶意软件检测准确率并降低误报率,本文主要研究基于行为特征分析的恶意软件检测技术,不需要对应用程序进行繁重的代码检查,执行轻量级的检测就可以识别恶意软件。本文主要工作如下:(1)提出多级特征提取的恶意软件检测方案。通过反编译应用程序APK文件并抽取代码中的权限特征,生成高阶权限组合表征应用程序,然后构建检测模型识别恶意软件。实验表明该方案优于主流的SigPID方法,可以实现97.88%的恶意软件检测率。(2)提出多策略组合的恶意软件检测框架。静态分析APK文件并提取五种行为特征,过滤并选择信息量较大的特征子集表征应用程序,然后使用集成学习投票预测应用类别。相较于对比方法,该框架误报率降低2.85%,其他检测指标均有2%左右的提升。(3)提出基于规则匹配的应用漏洞分析方案。建立包含46条漏洞信息的规则库,然后基于前两种方案的检测结果,提取恶意软件源码并与漏洞规则库进行字符串或者正则匹配,有效检测代码中的漏洞。漏洞分析有助于增强Android应用的安全性。总体而言,本文对Android恶意软件进行了系统的研究,创新性地提出了恶意软件检测框架以及应用漏洞分析方案。在有效检测恶意软件的同时,也为增强Android系统安全性提出了合理化的建议。