信息社会的发展不断催生出多种颠覆性的技术,其中,区块链就是将各方技术整合之下的最有可能给社会带来深刻变革的产物。去中心化的特性使得区块链技术的应用场景变得越加广阔。对于处于不断变革之中的区块链,智能合约的赋能极大的促进了区块链的发展。区块链系统加持之下的智能合约相对于传统第三方担保的合约而言,能够高效率的解决交易中产生的信用问题。目前,以太坊作为智能合约的最佳部署平台,其配套设施下的智能合约存在一旦部署则无法修改的特征,导致一部分开发人员所编写的智能合约代码存在不同程度的安全隐患,且对已完成部署的智能合约的及时修补能力非常有限,因此导致黑客从有缺陷的合约中窃取了高达数千万美元的资金。所以,在发布智能合约之前,检测合约可能存在的安全隐患是极为重要的。本文设计并实现了一个基于图神经网络的,针对以太坊智能合约安全的检测算法—Graph CVP（Graph Contract Vulnerabilities Prediction）。算法首先对由Solidity语言编写的智能合约的源码进行结构化信息读取,并将其转化为图结构的形式,通过图神经网络学习之后,得到图层面上的合约语义表达,进而对四类智能合约漏洞进行检测,主要工作有以下四个方面:（1）通过详细分析Solidity的语言特性,设计了从Solidity源代码转化成具有多节点类型,多连边类型的异构图网络学习算法。（2）图中节点和连边来自于合约源代码的结构化信息抽取,基于各节点和不同的连边具有一定的语义特征,因此通过结合自然语言处理等技术,为不同的图节点及连边生成其特征向量表达。（3）根据构造出的图结构的特点,为其设计了关系聚合算子,并融合图卷积与图池化机制获取全局图嵌入,从而对整个图所代表的智能合约源代码进行漏洞检测和分类。（4）讨论了几种经典的基于静态分析方案的智能合约安全检测算法,以及Graph CVP的几种变体和延伸。通过大量的实验对比,结果表明,相比于其他静态的智能合约漏洞检测算法,Graph CVP能在相同批次的合约中,不同的漏洞检测类型在各检测指标上达到相对明显的提升效果。其中,准确率最高提升%1至11%,F1值最高提升2%至9%。