传统的恶意软件检测方法在面对混淆或未知威胁时泛化能力不足。本文提出 ThreatVisionAI，一种混合恶意软件家族分类框架，它集成了原始图像 CNN、基于小波的 CNN 和 Vision Transformer (ViT)，以捕获恶意软件图像中的互补空间、频域和全局关系特征。原始图像 CNN 提取空间纹理模式，小波 CNN 捕获多尺度频率信息，有助于区分密切相关的家族，而 ViT 分支则建模图像中的长程依赖关系。在 Malimg 数据集上评估，ThreatVisionAI 达到 98.01% 的准确率和加权 F1 分数 0.9742，其中小波域特征在少数类和视觉相似家族上提供了可衡量的增益。这些结果证实，频率感知和基于 Transformer 的表示改进了基于图像的恶意软件家族分类。本文的主要贡献在于将小波变换与 ViT 结合，提升了细粒度分类性能，为恶意软件检测提供了一种新颖的多模态融合思路。