Android与Windows分别是目前最受欢迎的移动操作系统与桌面操作系统,它们的软件安装管理方式较为开放与宽松,在这两种操作系统上存在着大量恶意应用软件。各类恶意应用给个人、企业与政府部门带来隐私泄露、商业机密泄露、公众信息泄露与经济损失等问题。本文对这两种系统下的恶意应用检测问题进行了研究,提出了一种结合一维卷积神经网络与递归神经网络的恶意应用检测模型及其配套的预处理方法,基于微服务架构理念设计并实现了一套分布式恶意应用检测引擎。本文提出了一种基于深度学习的恶意应用检测技术,包括一种检测模型及与其配套的预处理方法。该检测技术把从应用文件中提取的信息分为两大类,离散信息与序列信息,对应这两种信息分别设计了基于一维卷积神经网络与递归神经网络的两个分支模型,两个分支模型合并形成最终的检测模型。预处理方法根据对应用文件处理程度的不同,设计了快速模式与慢速模式。该检测技术将Android与Windows这两种操作系统下的检测问题整合到一个框架下,在慢速预处理模式下相比现有模型提高了 2～3%的准确率,在快速预处理模式下相比现有检测技术准确率在降低不到2%的情况下,检测速度提高了 5倍以上。本文基于微服务架构理念,设计实现了一套分布式恶意应用检测引擎系统。检测引擎以容器化技术Docker及容器编排技术Kubernetes为基本技术支撑,设计了接口服务、缓存服务、预处理服务、模型检测服务、消息队列服务、数据存取服务与配置管理服务,由这7种服务模块相互配合形成检测引擎系统,具有较高的可用性、可伸缩性,可以应对较大规模的检测需求。