随着Android恶意软件的日益复杂，深度模型被部署在移动设备上进行实时检测，但面临着安全性与能耗之间的权衡——高精度的检测模型往往导致设备电量快速耗尽。本论文针对这一安全-能量悖论，探索了多层感知机（MLP）模型在Android恶意软件检测中的绿色AI优化方案。研究在TUANDROMD和DREBIN两个数据集上，系统比较了标准FP32模型与INT8量化神经网络在不同深度（层数）下的分类性能与能耗。实验表明，INT8量化可将模型体积缩小约3.5倍，单次推理能耗降低至0.0189毫焦耳，同时保持超过99.2%的检测准确率。特别地，浅层量化架构（如3层和4层量化神经网络）通过提升吞吐量并缩短CPU处于高功耗状态的时间，进一步降低了整体能耗。该工作证明，在资源受限的智能手机上可以实现高效且节能的恶意软件防护，为移动安全领域的绿色AI奠定了方法基础。主要贡献包括：量化分析与能耗建模、浅层架构的能效优势验证，以及面向实际部署的实践指导。