应用程序的功能越来越丰富,但用户常用的功能只占其中的一小部分,冗余功能的代码会扩大应用程序的攻击面。程序裁剪技术通过程序分析识别并删除程序中的冗余代码,能够防止攻击者利用冗余代码中的漏洞,减小程序的攻击面。现有程序裁剪技术分为二进制裁剪技术和源代码裁剪技术两类,本文研究基于二进制的裁剪技术。现有主流二进制裁剪框架采用执行轨迹收集和启发式控制流路径发现相结合的方式确定合法控制流图,实现二进制裁剪。但现有框架依赖人工构造输入样本集并划分相似库函数集合从而判定相关控制流路径。一方面,人工构造的输入样本集合路径覆盖率低,进而降低了裁剪得到的二进制的健壮性。另一方面,现有路径发现算法中的启发式方法依赖人工划分相似库函数集,该人工划分方法只能划分Glibc库函数而难以扩展到第三方库函数,导致裁剪不准确且扩展性差。针对以上问题,本文提出了一种高健壮性二进制应用程序裁剪方案,主要步骤包括使用模糊测试技术构建输入样本集合,执行轨迹收集,预先对库函数分类,使用路径发现算法识别并加入相关路径,生成裁剪后的程序。本文主要工作内容如下:（1）使用模糊测试技术构建输入样本集合。首先获取模糊测试的初始种子集合;然后将初始种子集合加入种子池,采用基于遗传算法的模糊测试方法,使用种子池中的种子测试待裁剪程序,获取每个种子的路径覆盖,选择种子池中路径覆盖高的的个体进行变异,淘汰路径覆盖低的种子;经过多轮模糊测试后,将种子池中的种子作为输入样本,组成输入样本集合。为避免输入样本集合中样本数量过多,本文采用贪心算法进一步精简输入样本集合。（2）设计路径发现算法识别并加入相关路径。在获取到输入样本集合的执行轨迹后,本文从执行轨迹构成的控制流子图出发,提出一种路径发现算法对控制流子图进行拓展,加入程序运行所需的相关路径,以增强裁剪后二进制的执行健壮性。路径发现算法依据“扩展同类库函数调用”的原则,基于启发式方法引入包含库函数调用的路径。为了对库函数进行分类,本文采用图同构算法VF2判断库函数间的控制流图相似性,依据控制流图相似程度对库函数分类,确定启发规则。（3）本文实现了所提出的高健壮性二进制应用程序裁剪方案,并与现有二进制代码裁剪框架RAZOR进行对比实验,结果表明:本文方案构建的输入样本集合具有高路径覆盖率,使裁剪得到的二进制程序具有高健壮性;在相同的漏洞集上,本文裁剪方案得到的可执行文件的安全性与RAZOR相同;本文设计的路径发现算法可扩展性强,能够分析包含各种库函数（包括标准Glibc库和第三方库）的相关路径;本文的裁剪方案能够有效裁剪出可用的SQLite,Nginx,FFmpeg等实际应用程序。