随着网络技术的飞速发展，恶意软件及其变种的数量不断增加，这使得恶意软件的检测成为网络安全领域面临的一大挑战。然而，现有的单一特征恶意软件检测方法在样本信息的表示上存在不足，而对于采用多特征的检测方法，它们在特征融合方面存在局限，未能有效地学习和理解特征内部及特征间的复杂关联，这些问题都会导致检测效果不佳。提出了一种基于多模态特征融合的恶意软件检测方法——MFAGM。通过处理数据集的.asm和.bytes文件，成功提取了两种类型的3种关键特征（操作码统计序列、API序列和灰度图像特征），实现了从多个角度全面地表征样本信息。为了更好地融合这些多模态特征，设计了一个特征融合模块SA-JGmu。该模块不仅采用自注意力机制捕获特征之间的内部依赖关系，还利用门控机制增强了不同特征的交互性，并巧妙地引入了权重跳跃连接以进一步优化模型的表示能力。最终，基于MMCC(Microsoft　malware　classification　challenge)数据集的实验结果显示，MFAGM在恶意软件检测任务上与其他方法相比，达到了更高的准确率和F1分数。