内存类漏洞是一种多存在于系统底层且危险系数极高的软件漏洞,此类漏洞常会造成拒绝服务攻击、计算机性能降低、程序崩溃等危害,它的代表性漏洞有内存泄漏、释放后重用和双重释放等类型。为了高效检测内存类漏洞,本文提出了基于特征切片与Bi-GRU的内存类漏洞检测方法,本文主要内容如下。首先,为了减少程序中与内存类漏洞特征无关的代码,提高检测的效率,本文采用图结构作为代码的中间表示形式。此过程提出了基于图结构的代码切片构造方法:其一,提取程序内的控制依赖关系和数据依赖关系构建程序依赖图（PDG）,生成结构特征代码切片。其二,提取内存类漏洞与指针紧密结合的特征,对PDG进一步改进构建了指针相关程序依赖图（P-PDG）。结合P-PDG对源程序进行过程间分析,生成了过程间语义特征切片。其次,针对神经网络无法直接处理文本数据的问题,提出语义特征向量生成算法。为了将文本类型的切片转化为数字序列形式,利用Word2vec对过程间语义特征代码切片中包含的单词进行训练,生成了包含内存类漏洞结构和语义特征的语料库。将待检测程序中的代码行与语料库进行映射,可获取到语义特征向量。再次,将内存类漏洞检测与深度学习相结合,构建了基于Bi-GRU循环神经网络的内存类漏洞检测模型。将语义特征向量与其对应的标记输入检测模型,模型自动学习内存类漏洞特征,对代码中是否包含内存类漏洞做出反馈。最后,选取Juliet数据集中六种内存类漏洞代码对模型性能进行评价,并与其它内存类漏洞检测方法进行对比。实验数据表明利用本方法进行内存类漏洞检测大大减少了人工成本,缩短了检测时间,在检测准确率、召回率、漏报率、误报率等评价指标下表现优异。