随着技术的发展,恶意代码的产生越来越简单、各种变体越来越多,对信息安全造成了严重的危害。如何自动、快速、准确地识别恶意代码一直是各大反病毒厂商和研究人员的研究热点。传统的恶意代码分析手段在与机器学习算法结合的过程中,在解释性方面往往被忽视,这与网络安全务实严谨的要求不能适应。本文针对在恶意代码分析中如何让增强分析过程的解释性方面进行了研究,重点阐述了两种具有良好解释性的恶意代码分析方法并结合两种分析方法进行了工程实现产生了一个可视化分析工具。本文提出了处理API序列信息的网络改进结构API-PointNet,通过构造出描述可执行代码的三维点云数据模型,采用本文提出的API-PointNet网络,高效地对API点云数据进行了快速建模和特征提取。这种方法取得了准确率超过95%的恶意代码分析效果和恶意代码关键信息的分析能力。针对动态分析所获得的信息,本文提出了通过异构网络和CBOW词向量来抽象异构网络节点信息的方案。通过多个范式的使用,在复杂的网络结构中获取到各个较多不同属性各异的信息,巧妙地形成一种快速而灵活的处理复杂异构网络的方式。采用API-PointNet分析模型和异构网络分析模型,进行了两个模型工程上的实现,设计可以在实际生产环境下进行半自动迭代的运行结构,形成一套可用性高的可视化分析工具,方便了恶意代码分析人员对代码进行分析。