传统的基于机器学习的恶意软件分类方法需要从恶意软件文件中提取许多特征,这给分类带来了很高的复杂性。针对这一问题,提出了一种基于卷积神经网络(CNN)的恶意软件分类方法。现有的恶意软件样本由大量字节组成,该方法首先计算恶意样本大小并对样本中字节数进行统计。然后将恶意样本大小特征和字节统计特征融合并归一化。最后对基于CNN构建的模型训练并对测试样本进行分类。实验结果表明,对比基线实验中最优的XGBoost 算法,该方法不仅训练耗时短而且准确率更高。