源代码漏洞检测是确保软件系统免受网络安全攻击的关键。构建深度学习模型进行漏洞检测是目前重要的研究方向,但已有的工作在模型训练时大多将程序视为顺序序列或无类型代码属性图,由于忽略了代码本身的结构信息,因而导致产生大量的误报情况。为了改进上述问题,本文提出一个新型漏洞检测模型框架FUNDED,利用图神经网络（GNNs）构建基于图关系的漏洞模式匹配方法,用以捕获程序的控制,数据,调用和依赖等代码间的关系。与以前的工作相比,FUNDED可以学习并提取程序源代码的图形表示,其中每条语句通过不同边关系与其他语句连接。通过上述方法,FUNDED可以捕获多种程序语法,语义和数据流关系,从而提升漏洞模型检测的精度。为了提升模型训练数据集的质量并扩充数据的泛化能力,本文将概率学习和统计评估相结合,实现自动从开源项目中收集高质量的训练样本。这一方法提供了许多真实环境下易受攻击的代码样本,以补充标准漏洞数据库中有限的训练样本,从而提供了足够的训练数据来构建有效的深度学习模型。本文的主要贡献如下:（1）首先,针对漏洞检测模型的训练代码样本不足,质量参差不齐的问题。我们使用集成学习技术,基于多种传统分类器,提出了一种基于“专家集成”的软投票机制,通过多个分类器的预测分数来帮助收集漏洞数据。同时,使用保型评估分类技术对不符合漏洞训练数据质量要求的样本进行过滤,并且利用这些技术构建了一个高质量的漏洞数据集。（2）其次,为了解决由于程序表征方法和传统神经网络造成的对源代码的深层语义信息和结构信息的学习限制而导致的模型漏洞检测效果差的问题,本文通过扩展抽象语法树的边的关系并借助代码数据流和控制流,提出了一种具有八种不同关系的代码属性图;并且使用门控图神经网络对代码属性图的结构信息进行学习,来学习更有效的漏洞模式对漏洞进行检测。（3）最后,本文结合上述方法实现了一个全自动的漏洞收集和检测系统,并且在C,Java,Php和Swift语言上进行了数据集质量评估,与五个最新的数据收集模型和六个漏洞检测系统进行了比较。实验表明,FUNDED在所有评估中均明显优于其他方法。