近年来 ，移动支付 ，云存储 ，移动政务等兴起 ，在为人们生活创造巨大便利时，也让智能手机用户的私密数据 ，信息等时时都面对被窃取 ，盗用的隐患 。作为市场份额最大的手机操作系统 ，安卓系统渐渐成为不法分子传播移动恶意应用的主要平台 。为防止安卓恶意应用入侵用户手机 ，产生系统破坏 ，隐私窃取 ，勒索等恶意行为 ，就得对安卓恶意应用做出高效 ，准确的检测 。借助可视化办法创建安卓应用的特征图像，运用机器学习技术达成分类模型的训练以及样本预测，存在两方面优势，借助可视化技术可缩减单个样本分析时间，能全面且真实地展现样本行为特征，相较于特征的向量或者文本描述，图像能够更直观地描绘应用特征，有助于在样本间开展对比，能直观地给检测结果提供可解释性。对于大部分安卓恶意应用可视化检测方法而言，对未知安卓恶意应用的检测效果依旧不太理想，在准确率方面仍能够进一步予以提升，主要存在以下两点缘由：其一，可视化所获取的特征图像不能够对应用行为予以表征，其最根本的原因在于那些研究仅仅是针对安卓应用里的classes.dex文件的字节码实施可视化，然而字节码序列没办法直接和应用行为形成对应；其二，已有的安卓恶意应用可视化检测方法在把图像输入进卷积神经网络之前需要针对图像开展缩放，并且在卷积计算之后通常需要借助池化层来降低计算量，上述这两种计算均会致使图像特征出现丢失 。因此，有一种可视化方法，它能够准确表征恶意应用行为特征，还能有效保全该特征，这一可视化方法是确保检测效果的关键。针对现有安卓恶意应用可视化检测方法，存在着在表征应用行为方面有问题，在保全应用行为方面也有问题这种情况，本文提出了两种相应的解决方案。为了建立应用行为与图像像素的关联关系专门提出了一种特征图像，这种特征图像融入了操作码行为序列，进而借助图像来表征应用行为。存在这样一个问题，即在使用机器学习算法训练模型时，可能会丢失图像特征，针对此，提出了降低图像纹理特征损失的方法，针对图像缩放致使的图像特征丢失，使用了卷积神经网络 SPP-Net，其能够输入任意尺寸图像，针对池化计算造成的图像各部分相对空间位置特征的丢失，使用了胶囊网络，该网络有无池化层设计 。实验表明，本文所提的安卓应用可视化检测方法，可有效提升安卓恶意应用检测的准确率，该准确率能达到97.65%，并且此方法对未知安卓恶意应用能够进行准确检测 。关键词：安卓恶意应用探究；操作码序列体；可视化呈现；SPP-net；胶囊网络