随着社会上智能手机和移动互联网的发展,智能手机已经慢慢成为我们必不可少的生活工具,人们把钱财资金、学习资料等信息都从线下转移到了线上操作。与此同时,智能终端中存储了大量的个人信息,这些信息中包括了大量的隐私信息,包括电话、账户密码、短信、照片等信息。这些信息可能会被一些恶意软件收集并传输到网络上,用户们的隐私信息被当作了获利数据到处售卖,信息的泄露会给智能手机用户带来巨大的损失。为了防范这些恶意软件,越来越多的研究学者开始研究如何检测出恶意软件,例如通过签名信息,代码信息,权限信息等进行检测,针对恶意软件的检测系统开始慢慢扩大。研究发现,现阶段针对恶意软件的检测方法主要有静态检测、动态检测和动态静态混合检测三种方法。在此基础上,本文通过对智能手机的权限、代码等数据的分析,提出基于权限和代码为特征的恶意软件检测方法。通过对智能手机运行过程中的系统调用的分析,提出了基于调用行为建模的恶意软件检测方法,并设计实现了根据代码、权限特征、系统调用行为生成的数据库来训练出检测模型。本文主要研究工作包括:首先,提出了基于权限和代码为特征的静态检测方法。该方案主要在软件安装前对安装包进行分析,统计软件运行所需权限,并对安装包中的代码进行分析,形成对应的特征码。然后使用N-Gram对数据集进行预处理,最后通过多个分类器对数据进行训练和预测,选取预测结果最佳的分类器作为恶意软件检测分类器。其次,提出了基于调用行为建模的恶意软件检测方案。该方案主要对软件运行期间做出的系统调用指令进行统计分析。然后根据调用产生的行为对采集到的数据进行分类和预处理,使用机器学习算法对数据集进行训练和预测。最后,为了应对可能出现的误判,该方案会对每个待测软件设定一个分数值。具体的数值是根据基于权限和代码的静态检测方法的检测结果生成,模型会对软件的系统调用一直检测,直到软件对应的数值低于一定的阈值后将软件认定为恶意软件。