随着现代移动通讯、多媒体技术以及互联网技术的飞速发展,各式各样的软件代码呈现出爆炸的趋势,随之带来的代码安全问题也层出不穷,包括代码内容剽窃、恶意代码行为、代码编写错误、代码信息泄露等方面。为了解决这些代码安全问题,需要获取代码片段的功能和行为特征,而高效精准的代码语义嵌入技术是分析代码行为的关键。针对二进制代码同源检测中存在的多样性编译环境以及大规模二进制软件导致检测效率和准确率低下的问题,提出了无监督的二进制代码语义张量嵌入模型,实现高效的跨平台架构二进制代码同源搜索和漏洞检测。在该模型中,首先使用基于自然语言技术的编码算法来生成软件二进制代码指令的初始特征。其次,提出了基于网络嵌入学习模型的代码基本块语义特征编码算法。最后,设计张量压缩算法生成二进制代码函数的语义嵌入特征,该特征可用于实现高效的跨平台架构二进制代码同源搜索。实验结果表明,对比现有的其他方案,能够提高大约2%-15%左右的同源搜索准确率。针对源代码误用检测中存在的代码数据量庞大以及代码逻辑语义捕获不准确的问题,提出了基于图张量神经网络的源代码高维空间语义特征融合模型,实现代码审计中精准的代码误用检测。在该模型中,首先设计了高维的代码图张量结构,对源代码的控制流和数据流,以及代码指令语法进行高维表征。其次设计了结合张量运算的门控图张量递归神经网络层和图卷积神经网络层,通过输入构建的代码图张量来学习准确的源代码语义。最后设计基于候选词注意力机制的输出层完成源代码的误用检测任务。实验结果表明,在源代码的误用检测上达到了94.8%的top-1准确率和95.2%的精确度。针对分布式环境下代码预测补全中的高昂通信和存储成本,以及项目开发者面临的严重代码版权问题,提出了基于联邦学习的图张量卷积神经网络模型,实现分布式环境下基于版权保护的源代码预测补全系统。在该模型中,首先采用高维的复合图张量结构表示源代码的原始特征,并使用自然语言学习算法对源代码节点的初始语义特征进行编码。其次提出了联邦模式下的图张量卷积神经网络模型,学习分布式环境下精准的代码语义特征。最后设计了基于候选词注意力机制和基于全局词汇表的混合输出层预测代码。实验结果表明源代码预测准确率比现有方案高出约5%-20%。通过构造代码张量建模理论,实施各类代码语义嵌入,从代码高维特征融合的角度扩展了当前代码安全性分析的基础理论方法,同时也为当前代码安全性分析的应用提供更为底层的数据建模与优化支撑。