随着移动终端得到广泛普及,已成为人们生活必需品。由于Android系统的开源性和潜在的巨大经济利益,使得Android移动设备成为了许多恶意程序的攻击目标,随之而来的安全问题也是层出不穷。现有的Android恶意应用检测模型和技术检测率不高、有效性不强,无法对当前迅猛增长地恶意应用进行有效的检测。本文从研究分析Android系统恶意应用的行为特征出发,提出了一种新的基于特征加权与双向长短期记忆神经网络(Bi-LSTM)算法相结合的Android系统恶意应用检测模型。本文的主要工作:1.研究分析了Android体系结构与现有的检测方法的不足。研究了Android系统及应用安装包的安全机制,通过对Android应用行为特征的分析,以及对模型检测算法的优缺点的比较分析,研究了现有的Android恶意应用检测模型的不足。2.设计构建了恶意行为特征序列模型。该模型采用静态分析方法,从Android应用中提取不同类型行为特征,选取权限、意图和组件信息作为主要行为特征,采用改进的特征加权的方法,构建了恶意与正常应用的特征序列。3.设计并实现了基于双向长短期记忆神经网络深度学习检测算法。该算法通过对特征序列长度和隐藏层单元数的分析和进一步优化,设计了双向长短期记忆神经网络算法,构建了具有较高分类检测能力的Android恶意应用检测模型。4.通过实验验证了基于深度学习的Android恶意应用检测模型的有效性。分别采用不同行为特征,通过与其他检测模型和算法的比较实验,实验结果表明,该检测模型对恶意应用具有较高的检测准确率和召回率。