随这移动智能终端设备的普及,恶意移动应用也随之快速持续增长。为了应对Android智能终端的安全隐患,本文提出了基于深度学习的静态检测方法,该方法采用了权限和Jimple指令码作为模型特征,采用了多种特征协同作用的方式。首先,通过反编译APK文件获得清单文件,读取其中的权限信息,作为一个特征结果。接着使用Soot对dex文件进行反编译获得中间语言的表示,然后对中间语言代码进行简化,获得特征指令序列。使用改进后的双池化卷积神经网络对指令序列进行特征提取,并且得到特征结果。将上述步骤中获取的特征结果进行归一化,使用支持向量机进行训练,得到最终的结果。实验表明,使用该方法检测,具有较高的检测率。本文的主要工作和成果如下:1)Android系统恶意应用的现状及分析,深度学习相关算法和反编译工具发展动态以及应用。2)将Jimple中间语言应用到Android恶意代码的检测中。将dex文件使用Soot工具反编译成Jimple语言,分析其语言的特点,降低了特征维度。3)优化了卷积神经网络模型,提出了双池化卷积神经网络。根据Jimple指令序列特征稀疏的特点,提出了双池化的卷积神经网络用于加速对指令序列特征的提取。4)根据上述步骤提取的两类特征,提出了Android静态检测的模型。使用双池化的卷积神经网络提取敏感代码段的恶意特征,并且和权限特征相结合,构成用于恶意代码静态特征,并用支持向量机进行分类检测。同时提出了对静态检测模型的训练方法。实验并给出结果。