1.一种基于EPM-MCNET神经网络的安卓恶意软件检测方法，其特征在于，包括：S1、构建一个安卓软件RGB图像数据集D，D由若干个安卓软件RGB图像FS2、构建并训练基于EPM-MCNET神经网络的安卓恶意软件检测模型；该模型包括将安卓软件可视化为RGB图像部分和EPM-MCNET神经网络部分；所述EPM-MCNET神经网络包括输入层、中间层和输出层；中间层包括第一卷积归一化激活模块CBR1、第二卷积归一化激活模块CBR2，第一硬卷积归一化激活模块CBH1、第二硬卷积归一化激活模块CBH2，最大池化层、强化感知模块EPM、多尺度卷积模块MC，具体的模型训练步骤包括：S21、输入层接收D中的任意安卓软件RGB图像FS22、中间层中的CBR1模块接收到F

S23、CBH1模块接收到F

所述将T

当将高度为H、宽度为W、通道数为C的三维特征图像T对于路径A，分别采用全局最大池化、全局平均池化提取特征图像T对于路径B，分别采用全局最大池化、全局平均池化提取特征图像T接着，EPM模块将F

其中，δ表示Sigmoid激活函数，⊙表示元素积操作，S表示沿通道维度分割特征向量，R表示重塑特征向量；

式(1)中，特征向量F

其中，M表示MLP，[，，]表示张量拼接操作，Max表示全局最大池化，Avg表示全局平均池化，S24、CBH2模块接收到F

S25、CBR2模块接收到特征图像F

S26、输出层接收特征图像F

S27、重复步骤S21-S26，直到模型训练结束；训练结束后，得到基于EPM-MCNET神经网络的安卓恶意软件检测模型；

S3、运用基于EPM-MCNET神经网络的安卓恶意软件检测模型检测安卓软件，判断该安卓软件是否为安卓恶意软件。

2.根据权利要求1所述的基于EPM-MCNET神经网络的安卓恶意软件检测方法，其特征在于，所述步骤S25，MC模块采用不同尺寸的卷积核对输入特征图像T当将高度为H

对于路径I，首先采用尺寸为1×1的卷积核对特征图像T对于路径II，首先采用尺寸为3×3的卷积核对特征图像T对于路径III，首先采用尺寸为5×5的卷积核对特征图像T将特征图像F

3.一种基于EPM-MCNET神经网络的安卓恶意软件检测系统，其通过权利要求1所述的一种基于EPM-MCNET神经网络的安卓恶意软件检测方法实现，其特征在于，包括数据预处理模块、安卓恶意软件检测模型训练模块、安卓软件检测模块：所述数据预处理模块：构建一个安卓软件RGB图像数据集D，D由若干个安卓软件RGB图像FI构成；

所述安卓恶意软件检测模型训练模块：构建基于EPM-MCNET神经网络的安卓恶意软件检测模型；该模型包括将安卓软件可视化为RGB图像部分和EPM-MCNET神经网络部分；所述EPM-MCNET神经网络包括输入层、中间层和输出层；中间层包括第一卷积归一化激活模块CBR1、第二卷积归一化激活模块CBR2，第一硬卷积归一化激活模块CBH1、第二硬卷积归一化激活模块CBH2，最大池化层、强化感知模块EPM、多尺度卷积模块MC，具体的模型训练步骤包括：第一步、输入层接收D中的任意安卓软件RGB图像F第二步、中间层中的CBR1模块接收到F

第三步、CBH1模块接收到F

所述将T

当将高度为H、宽度为W、通道数为C的三维特征图像T对于路径A，分别采用全局最大池化、全局平均池化提取特征图像T对于路径B，分别采用全局最大池化、全局平均池化提取特征图像T接着，EPM模块将F

其中，δ表示Sigmoid激活函数，⊙表示元素积操作，S表示沿通道维度分割特征向量，R表示重塑特征向量；

式(1)中，特征向量F

其中，M表示MLP，[，，]表示张量拼接操作，Max表示全局最大池化，Avg表示全局平均池化，第四步、CBH2模块接收到F

第五步、CBR2模块接收到特征图像F

第六步、输出层接收特征图像F

第七步、重复上述第一步到第六步，直到模型训练结束；训练结束后，得到基于EPM-MCNET神经网络的安卓恶意软件检测模型；

所述安卓软件检测模块：运用基于EPM-MCNET神经网络的安卓恶意软件检测模型检测安卓软件，判断该安卓软件是否为安卓恶意软件。

4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-2任一所述的基于EPM-MCNET神经网络的安卓恶意软件检测方法的步骤。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-2任一所述的基于EPM-MCNET神经网络的安卓恶意软件检测方法的步骤。