如今Android系统在智能手机市场的占比已经超过70%,同时随着物联网的不断发展,Android系统更是被应用在智能手表、电视和冰箱等设备上。Android系统在给人们的生活带来极大便利的同时也使人们更可能遭受到恶意应用的侵害。各大互联网安全公司,如McAfee和360,发布的数据表明Android恶意应用变体不断,新生类别更是快速出现。研究者也注意到Android恶意应用的危害,纷纷投入到对抗Android恶意应用的研究中。本文在调研不同研究者所提出的Android恶意应用检测方法的过程中,发现了研究者所使用的特征种类很多,如权限、系统调用、特殊字符串、网络流量记录和用户交互序列等等。可能涉及的特征向量空间大小高达几十万,因此,特征选择在Android恶意应用检测中十分必要。同时本文发现研究者通常使用的特征选择算法是信息增益特征选择算法,这与Android恶意应用检测领域中使用的实验数据分布不平衡相矛盾。为此,本文提出了一种新的EFA(Entropy-based Feature Availability)特征选择算法,这种特征选择算法更适合Android恶意应用检测领域。同时本文设计了实验来验证所提出的EFA特征选择算法的效果。实验结果表明,在48次对比分类实验中,采用EFA特征选择算法获得的平均分类准确度为0.92,平均方差为4.2E-05,而采用信息增益特征选择算法获得的平均分类准确度为0.93,相应的平均方差为4.92E-05。这表明本文所提出的EFA特征选择算法在保证分类效果的同时,算法更稳定,非常适合数据集分布极不平衡的Android恶意应用检测领域。最后,本文基于所提出的EFA特征选择算法选择了 250个特征,并训练了分类模型,该模型在本文的数据集上获得了 98%的准确度。随后本文以此模型为核心,设计并实现了一个基于Android平台的恶意应用检测系统。系统分为两个应用:一个是Android应用,另一个是Web应用。本系统能够在Android端对应用程序进行快速检测,又能通过服务器对应用提供更全面的检测。