Android系统以其开放性和完善的生态环境成为全球使用最广泛,市场占比最大的移动操作系统。但随之而来的问题就是它也成为了各类恶意应用滋生的沃土。对Android恶意应用进行有效的甄别,成为移动安全领域亟待解决的问题。研究人员一般使用机器学习技术来进行恶意应用的检测工作,但相关研究存在着诸多问题:不论是特征类型的选取和特征筛选方法,还是模型集成方法都存在纰漏,此外,相关研究对将检测手段应用于实际环境中的方法鲜有介绍,在实用性上有所不足。本文针对Android恶意应用检测场景,在机器学习的基础上构建出一套完整的恶意应用自动检测闭环方法,解决了相关研究中的不足之处。本文的工作主要包括两部分,第一,提供可靠的恶意应用检测模型。本文设计了严重度算法筛选出应用的高危安全漏洞,结合广泛使用的N-gram操作码和传统静态信息作为特征,并设计了 TIOE算法与传统的嵌入式方法共同进行特征选择。在分类算法上选取了 6种性能较好的基础分类算法作为基础模型,使用动态集成选择和Stacking的集成学习方法来得到最终的分类模型。第二,提供了可直接应用于手机的自动检测方法,通过结合改造后的系统安装器、一个桥接应用以及其他辅助服务,可以实现在手机端安装应用时自动进行应用的检测、结果反馈和自适应安装,极大地增加了检测方法的自动性和实用性,弥补了相关研究工作中的不足。最后,本文对于上述的模型与相关研究中的方法进行各项指标的横向对比,结果表明本文提出的检测模型在性能表现上更优。本文还对自动检测方法进行了功能测试,尽可能地模拟真实环境下的流程,验证了该方法的有效性和可靠性。因此,本论文取得的成果对于Android恶意应用检测领域的模型设计以及方法落地具有一定的参考意义。