随着计算机技术的发展,软件规模的不断扩大,对软件中代码的静态检测技术也提出了更大的挑战。代码静态检测是为了提前检查出代码中的隐含错误,如内存释放错误、变量定义相关错误等等。现有的一些检测工具依然存在诸如漏检、误报率高等缺点。为了能够更加高效准确的完成代码静态检测任务,以C++为例提出了一种基于深度学习的代码检测模型。在进行C++代码的中间表示时没有采用传统的以词条为粒度的表示方式,而是使用抽象语法树（AST）中的路径作为表示代码的基本粒度。这使得学习模型能够学习到源代码的结构化特性,而不是将其视为一组扁平的序列。代码分析模型采用阅读理解任务中的问答模型,针对一段待检测的C++代码,能根据输入不同的检测问题给出检测结果。在模型结构的设计上使用全卷积架构来替代阅读理解模型中经常使用的循环架构,并且为了提升卷积网络处理序列输入信息的能力在卷积层中加入了膨胀卷积和门控线性单元。由于卷积结构允许在输入序列上并行化而更加高效,该模型大大缩短了预测时的响应延迟。实验结果表明,这种全卷积模型在代码静态检测任务上的表现较好,预测时的响应延迟底,且与现有的C++代码检测工具相比降低了漏检率和误报率。基于AST路径的表示方法也可以较好的用于代码静态检测任务,该表示方式可以在不改变学习模型的情况下改进结果。