安卓(Android)手机凭借能运行多种多样的应用比如,社交应用(微博等),手机游戏,以及日常辅助工具(地图导航等),正在改变人们生活和沟通的方式。随着Android市场占有率的持续增加,不法分子开始对Android发动新的攻击。他们主要通过篡改流行应用的手段,将不良代码添加到正常应用中,然后将含有不良代码的应用通过第三方Android应用市场或者其他网站发布。目前,Android恶意应用的主要形式为吸取费用,后台扣费,来窃取用户财产。除此之外,某些Android恶意应用还会泄露手机中的隐私数据(如,手机串码、位置信息、通话记录等)。由于基于静态分析的检测方法只能捕获Android应用的静态行为特征、依靠已有的特征库来检测Android恶意应用,并不能很好的检测未知的Android恶意应用。因此,本论文通过对Android应用在运行过程中所具有的两类不同的动态行为特征数据的采集,即系统调用特征数据和网络流量特征数据,通过机器学习的分类算法来学习Android应用的动态行为特征,实现对Android恶意应用的检测。为了实现这个目的,本文提出了一种基于双重检测的Android恶意应用检测方法,并设计与实现该方法的原型系统。该系统首先通过系统调用劫持、网络数据表捕获等技术对Android应用在手机上运行时产生的系统调用数据和网络流量数据进行采集,并把采集到的数据发送给云端服务器;其次,云端接收到特征数据文件后,使用特征选择算法来选择能较好表示Android应用动态行为的特征数据;随后,使用特征选择算法所选择的特征数据和分类算法来对Android恶意应用进行检测。在测试阶段,本文首先对运行在手机上的系统客户端的CPU使用率进行了测试,结果表明该客户端程序在运行时CPU占用率较低不会影响其他应用正常运行。其次,对特征选择算法和Android恶意应用检测进行了测试。结果表明,通过特征选择算法选取的特征能更好的表示Android应用的动态行为特征,并提高分类算法的准确率,从而使得分类算法能够更准确的检测Android恶意应用。