现在软件行业的快速发展产生了一系列的问题,例如软件剽窃、软件知识产权问题等。软件代码相似度研究是软件剽窃、软件知识产权、软件故障定位和软件重用等研究的基础。现有的代码相似度研究存在一些问题:基于属性度量的方法不能精确计算其代码间的相似度;基于结构度量的一些方法不能够更好地获取代码的语义信息;对于一些数据量较小或者缺乏历史数据的软件系统没有一种方法能够更好地度量其代码间的相似度。针对以上问题,本文基于Siamese网络建立了代码相似度检测模型。本文将代码的检测粒度设定为类,首先对源代码执行提取分词、词根还原和去除停用词三个预处理操作,在此基础上使用doc2vec方法将其转化为词向量。doc2vec方法采用神经网络语言模型不断训练优化词的上下文语义,能够解决上述基于结构度量的方法无法获取语义的问题。本文使用Siamese网络训练并提取代码特征,并使用cosine距离计算相似度。Siamese网络使用两个相同的子网络进行训练和提取信息,子网络间采用的参数共享机制能够减少训练的时间,并且减少参数过多带来的过拟合问题,为的是提高正确率。针对缺乏训练数据的问题,本文对最大均值差异（Maximum Mean Discrepancy,MMD）方法进行了改进,并基于此实现对其他软件项目代码的筛选,将选择结果作为训练数据集的扩展。为了证明本文方法的有效性,将Eclipse和Jab Ref两个开源软件作为实验对象,将不进行数据扩展的方法和使用其他向量化模型的方法作为基线方法。实验结果显示本文方法较上述方法在各项指标上都有一定的提升,具有较高的准确性,同时在实验过程中也证明了doc2vec方法对于其他“词袋”方法的优越性和Siamese网络的特征提取效果。