近年来,区块链技术已成为数字经济发展的重要组成部分,以太坊作为最流行的开源公有链平台之一,交易量和智能合约部署量也在不断增长。与此同时,以太坊智能合约安全问题层出不穷,攻击者往往利用智能合约存在的代码漏洞对已部署的智能合约进行攻击,造成严重的经济损失,因此对智能合约进行漏洞检测十分必要,具有很大的现实意义。当前智能合约漏洞检测模型和工具大多以智能合约源码、操作码为研究对象,使用符号执行、形式化验证、模糊测试等传统研究方法进行漏洞检测,这些模型和工具分别存在误报率高、检测时间长等问题。本文将深度学习引入智能合约漏洞检测方法研究,针对以太坊中常见的代码重入、整数上溢、整数下溢、时间戳依赖、未检查返回值和交易顺序依赖共6种漏洞进行检测。大量的实验证明本文方法在准确率、检测效率等方面均具有一定的优越性。本文主要完成了以下工作:（1）提出了基于CNN-Bi LSTM-Attention模型的智能合约源码漏洞检测方法。通过对智能合约Solidity源码进行分析,设计源码抽象简化规则,对源码进行去注释清洗、分片操作,并应用抽象简化规则,对源码进行简化。使用Word2Vec模型训练词向量矩阵,采用卷积神经网络和双向长短期记忆网络进行特征提取,充分考虑上下文信息,并加入注意力机制提高漏洞检测能力,同时设计CNN、Bi LSTM、Bi LSTM-Attention、CNN-Attention、CNN-Bi LSTM共5种深度学习漏洞检测方法进行消融实验,选择TMP和AFS两种现有检测工具进行对比试验,验证CNN-Bi LSTM-Attention深度学习网络模型的有效性。（2）提出了基于BERT-Bi LSTM模型的智能合约操作码漏洞检测方法。通过对智能合约操作码进行分析,设计操作码抽象简化规则,在数据预处理阶段,对操作码进行统一抽象简化处理,将以太坊中的142种操作码减少到了68种。在BERT模型中引入级联思想,使其适应长文本序列,将BERT模型的输出词向量输入到Bi LSTM网络中进一步学习,最终输出漏洞检测结果。同时本文构建了包含52689条真实以太坊智能合约数据集,基于此数据集,经大量实验验证,本文提出的两个智能合约漏洞检测方法,即基于源码的CNN-Bi LSTM-Attention模型和基于操作码的BERT-Bi LSTM模型,漏洞检测效果和平均检测时间均有较好的结果,marco-F1值分别可达85.87%和89.23%,平均检测时间分别约为0.15s和5s。