随着移动互联网的不断发展,智能手机已经成为人们日常生活中的必需品,智能手机市场中,基于Android操作系统的手机占据了大部分的市场份额。Android系统由于其开放性的特点,成为了众多恶意软件滋生的平台,近几年Android恶意软件的数量正以惊人的速度增长。因此,如何对Android恶意软件进行有效检测成为了一个重要课题。目前大多数安全软件所使用的Android恶意软件检测方法为基于特征码的检测,这种方法的好处是能迅速准确地检测出已知恶意软件,但无法检测未知恶意软件。近年来,使用机器学习方法对未知Android恶意软件检测成为研究热点,这种方法的检测结果易受数据集、检测算法等因素的影响,而且系统开销较大。因此,如何设计检测方案,如何获取对数据集进行优化成为了机器学习检测方法设计的重点。本文首先介绍了课题背景以及相关研究,在深入研究了Android系统及其安全机制基础上,综合考虑了传统Android恶意软件检测方法的优势和不足,设计了一个基于多重特征的Android恶意软件检测方案,实验证明,该方案对于本文中所用的数据集具有较高的检测率。更进一步,为了让目前的Android恶意软件检测技术适应大数据时代的发展需求,本文引入分布式系统技术,设计并实现了基于分布式系统的Android恶意软件检测方案。从实验结果看,该方案具有较高的检测率,并且具有良好的应用前景。文章的最后对全文进行了总结并给出了本文中研究的改进方向。