恶意软件分类因二进制文件的异构性、加壳技术的存在以及恶意软件家族的多样化分布而极具挑战性。传统的单任务检测模型难以泛化到各类数据，尤其在面对混淆和稀有样本时性能下降严重。本文提出了一种基于混合专家（Mixture of Experts, MoE）架构的统一多任务恶意软件分析框架，能够同时执行三个关键任务：恶意软件家族分类、加壳与未加壳检测、恶意与良性识别。框架支持两种输入表示：高维EMBER特征集和从可移植可执行文件中提取的原始一维字节序列。通过将问题分解为多个专门化的专家网络，并采用自适应门控机制，模型实现了高效的任务特定学习，同时保持整体可扩展性。作者研究了多种架构变体，包括同构MoE、异构MoE和多门MoE（MMoE），并在标准环境和对抗性环境下（使用原始样本和变异样本）评估性能。实验结果表明，多门MoE模型表现最佳，综合检测率达到0.9744，失败率仅为2.56%。此外，该配置在突变引起的分布偏移下展现出更强的鲁棒性。研究强调专家专业化和任务特定路由在处理复杂恶意软件分布中的有效性，为构建可扩展且鲁棒的恶意软件检测系统提供了有前景的方向。