随着恶意软件（包括变种和新型）数量快速增长，恶意软件的检测与缓解成为一个复杂问题。传统的恶意软件检测方法虽然能识别恶意软件，但无法将其归类到具体的家族，这阻碍了后续的针对性和有效响应。针对这一挑战，本文提出了一种混合方法，用于自动化恶意软件检测与家族分类。该方法首先提取多种相关特征，包括API调用序列以及固定长度和可变长度的n-gram，并结合一种自定义的特征选择方法进行特征融合。在预测模型部分，提出了一种基于投票的算法融合策略，将多个分类器的输出进行集成。实验评估使用微软提供的恶意软件数据集，分别进行了二分类（恶意/良性）和多分类（具体家族）任务。结果表明，该方法在AUC达到0.989，准确率达到99.72%，对数损失仅为0.01，显著优于现有技术水平。该工作为安全运营中自动、准确地进行恶意软件家族分类提供了一种有效途径，有助于提升针对不同类型恶意软件的差异化防御能力。