1.一种恶意代码检测方法，其特征在于，包括步骤：
分析待分析样本对象的结构，所述结构包括PE可执行文体结构与文档结构；
当所述待分析样本对象为PE可执行文体结构时，对待分析样本进行静态分析、杀毒软件接口分析、虚拟环境沙箱动态分析以及网络数据分析，获得第一分析结果；
当所述待分析样本对象为文档结构时，对待分析样本进行静态分析，获得第二分析结果；
根据所述第一分析结果或所述第二分析结果，采用恶意代码分类器，检测是否存在恶意代码。
2.根据权利要求1所述的恶意代码检测方法，其特征在于，当所述待分析样本对象为PE可执行文体结构时，对待分析样本进行静态分析包括步骤：
当所述待分析样本对象为PE可执行文体结构时，采用恶意代码API序列威胁因子分析引擎TFAE技术、可机读威胁情报指标技术以及恶意代码家族归类FCSH技术，对待分析样本进行静态分析。
3.根据权利要求2所述的恶意代码检测方法，其特征在于，采用恶意代码API序列威胁因子分析引擎TFAE技术对待分析样本进行静态分析的步骤包括：
对大数据原始恶意软件样本集进行特征工程试验研究；
对特征工程试验研究的数据进行清洗及加工，生成基于恶意API序列威胁因子的数据模型；
以JSON接口交互方式，将所述基于恶意API序列威胁因子的数据模型存储；
验证初始阶段不同批次生成的恶意API序列因子数据模型，判断所述测试样本对象是否存在恶意API序列威胁检测的标注指标；
根据所述标注指标，生成恶意API序列威胁数据模型。
4.根据权利要求2所述的恶意代码检测方法，其特征在于，采用恶意代码家族归类FCSH技术，对待分析样本进行静态分析包括步骤：
获取并导入所述待分析样本对象的地址表，生成FCSH数据值；
对所述FCSH数据值进行检测，提取待分析样本对象的FCSH数据值作为每个分组成员名称；
将所述待分析样本对象的FCSH数据值与预设的数据库存档恶意代码FCSH分类工作组对应的FCSH数据值进行比较；
将所述待分析样本对象的FCSH数据值与所述预设的数据库存档恶意代码FCSH分类工作组对应的FCSH数据值相同的分类组成员归属于同一团体的威胁家族群。
5.根据权利要求1所述的恶意代码检测方法，其特征在于，所述检测是否存在恶意代码的步骤之后还包括：
当存在恶意代码时，提取所述恶意代码的特征；
根据所述恶意代码的特征，生成可机读威胁情报IOC数据标准。
6.一种恶意代码检测系统，其特征在于，包括：
结构分析模块，用于分析待分析样本对象的结构，所述结构包括PE可执行文体结构与文档结构；
第一分析模块，用于当所述待分析样本对象为PE可执行文体结构时，对待分析样本进行静态分析、杀毒软件接口分析、虚拟环境沙箱动态分析以及网络数据分析，获得第一分析结果；
第二分析模块，用于当所述待分析样本对象为文档结构时，对待分析样本进行静态分析，获得第二分析结果；
检测模块，用于根据所述第一分析结果或所述第二分析结果，采用恶意代码分类器，检测是否存在恶意代码。
7.根据权利要求6所述的恶意代码检测系统，其特征在于，第一分析模块具体用于当所述待分析样本对象为PE可执行文体结构时，采用恶意代码API序列威胁因子分析引擎TFAE技术、可机读威胁情报指标技术以及恶意代码家族归类FCSH技术，对待分析样本进行静态分析。
8.根据权利要求7所述的恶意代码检测系统，其特征在于，所述第一分析模块包括：
研究单元，用于对大数据原始恶意软件样本集进行特征工程试验研究；
威胁因子数据模型单元，用于对特征工程试验研究的数据进行清洗及加工，生成基于恶意API序列威胁因子的数据模型；
存储单元，用于以JSON接口交互方式，将所述基于恶意API序列威胁因子的数据模型存储；
判断单元，用于验证初始阶段不同批次生成的恶意API序列因子数据模型，判断所述测试样本对象是否存在恶意API序列威胁检测的标注指标；
威胁数据模型单元，用于根据所述标注指标，生成恶意API序列威胁数据模型。
9.根据权利要求7所述的恶意代码检测系统，其特征在于，所述第一分析模块包括：
获取单元，用于获取并导入所述待分析样本对象的地址表，生成FCSH数据值；
检测单元，用于对所述FCSH数据值进行检测，提取待分析样本对象的FCSH数据值作为每个分组成员名称；
比较单元，用于将所述待分析样本对象的FCSH数据值与预设的数据库存档恶意代码FCSH分类工作组对应的FCSH数据值进行比较；
处理单元，用于将所述待分析样本对象的FCSH数据值与所述预设的数据库存档恶意代码FCSH分类工作组对应的FCSH数据值相同的分类组成员归属于同一团体的威胁家族群。
10.根据权利要求6所述的恶意代码检测系统，其特征在于，还包括：
提取模块，用于当存在恶意代码时，提取所述恶意代码的特征；
生成模块，用于根据所述恶意代码的特征，生成可机读威胁情报IOC数据标准。