Android操作系统是一种基于Linux的智能移动设备操作系统,具有完全的开源性,市场占有率高,加之Android应用市场复杂多样,近些年来Android恶意软件的数量快速增长。并且由于混淆技术在恶意软件中的广泛使用,传统的检测方法对于混淆恶意软件的检测效果不佳。本文提出了一种基于深度学习的Android恶意软件检测模型,通过自动化提取Android应用软件的特征,使用深度学习模型对Android恶意软件进行检测,提高了Android恶意软件检测的准确率。本文的主要工作如下:(1)构建了抗混淆能力强的Android应用软件特征集。本文研究了Android系统的安全框架、传统恶意软件检测技术和恶意软件常用的混淆技术,发现传统静态特征集的抗混淆能力弱,因此在传统静态特征集的基础之上,增加新的抗混淆能力强的静态特征,并提取应用软件运行时的动态特征,作为静态特征集的补充,全方位丰富了Android应用软件特征集。(2)提出了基于深度置信网络和门控循环单元混合的深度学习模型。本文分析了深度学习算法用于Android恶意软件的可行性,并针对静态特征和动态特征的不同特性,采用深度置信网络和门控循环单元两种不同的深度学习模型分别学习静态特征和动态特征,并将输出同时接入到全连接层,由分类器采用有监督的方式微调整个网络,实现模型的收敛。(3)通过实验检测基于深度学习的Android恶意软件检测模型的有效性。实验结果表明,混合了深度置信网络和门控循环单元的深度学习模型,在检测混淆恶意软件时,其检测准确率能达到96.75%,优于传统的机器学习算法和深度置信网络模型,这证明本文提出的基于深度学习的Android恶意软件检测模型的检测效果良好。