近年来,加密货币比特币的出现带动了区块链技术的蓬勃发展,而智能合约技术是区块链技术中的一个技术高地。目前以太坊中的智能合约应用受到大量的关注,创造了海量的应用价值,同时也带来了密集的攻击活动,造成了一系列重大的经济损失案件。因此对智能合约进行漏洞检测是非常有必要的。传统的漏洞检测方法包括符号执行、形式化验证、模糊测试等,目前这些方法的检测效率低、可扩展性差、准确率低,往往需要人工再审查。随着深度学习技术的迅猛发展和硬件算力的不断提升,开始有研究人员将深度学习的方法应用到智能合约漏洞检测上。实验结果表明,此类方法取得了很好的检测性能。因此本文主要研究基于深度学习的智能合约漏洞检测方法,具体的研究内容包括如下四部分:（1）针对智能合约源码上下文被削弱的问题,本文提出一种面向抽象语法树的特征编码方式。该方式对抽象语法树进行先序遍历的同时提取当前节点的父节点和子节点构成三元子集,以此获取树节点在树状结构中的上下文。同时构建了一种基于卷积神经网络和注意力机制的漏洞检测模型,利用注意力机制来衡量节点的重要程度,结合卷积神经网络提取源码的语义特征。（2）考虑到程序的执行时序信息,本文提出了一种面向关键操作码的特征编码方式。该方式将操作码序列进行规范化,并根据选取的关键操作码重组得到关键操作码序列。并构建了一种基于双向LSTM和自注意力机制的漏洞检测模型,以关键操作码序列作为输入。（3）结合前面提出的两种特征编码方式,本文提出一种基于多特征的漏洞检测模型,从多个层面提取智能合约源代码的特征,使得捕获的特征更全面。该模型利用胶囊网络提取抽象语法树的语义特征,同时利用双向LSTM网络提取关键操作码特征,最后融合两种特征并利用Softmax分类器进行漏洞分类。实验结果表明,该模型能够有效提高漏洞检测性能。（4）基于以上的三部分研究内容,利用Web应用技术设计并实现了一个智能合约漏洞检测系统。该系统接受智能合约源代码作为输入进行训练和预测,并以可视化的形式展示智能合约项目的漏洞情况,帮助开发者了解项目的漏洞情况。