软件开发过程中经常出现的代码复制、粘贴等行为,造成软件系统中都存在着所谓的“克隆代码”。一般认为,克隆代码会增加日后的软件维护代价。为此,研究者提出了许多代码克隆检测的方法和技术,用于在软件系统中识别隐藏的克隆代码。然而,当前的代码克隆检测研究仍然存在一些问题。一方面,大部分研究者关注的是基于源代码的代码克隆检测,事实上字节码比源代码更能反映代码语义信息;另一方面,现有的基于深度学习的克隆代码检测效率并不是十分理想,特别是对于那些功能性克隆代码的检测。基于以上问题,本文尝试提出更加有效的基于字节码和深度学习的代码克隆检测方法,主要成果如下:(1)提出了一种基于字节码序列匹配(Byte Code Squence Alignment,简称BSA)的方法来检测代码克隆。BSA方法首先根据字节码指令执行和跳转情况,构建字节码指令路径图;然后,通过采用树状网络指令模型来归一化指令序列;最后,将含有静态加速扣分策略的Smith-Waterman算法应用到字节码序列的匹配上,从而实现代码克隆检测。(2)提出了一种新的基于深度学习的代码克隆检测方法(Detecting Code Clones based on Deep Learning,简称DCCDL)。DCCDL方法首先将源代码转换为了抽象语法树并提取方法级别代码片段;然后,利用AST分别提取代码的语义、结构和功能特征,并构建任意两个方法之间的特征相似度向量;最后,通过训练集训练基于深度神经网络模型的分类器,利用已训练的分类器来预测软件系统中的克隆代码。(3)本文在5个开源软件和1个大数据集上进行了大规模的实验,并与其他方法相对比。实验结果表明,本文的BSA方法,相比于其他基于源代码的方法,其平均F-measure值至少提高了14.4%;本文的DCCDL方法,相比于其他基于深度学习的方法,其F-measure值至少提高了8%,并且能够有效地检测出部分的功能性克隆。