软件漏洞通常是指可被恶意利用的程序缺陷,是软件系统安全性的主要威胁。对软件进行漏洞检测可有效降低安全风险,已成为软件安全领域的研究热点。覆盖率导向的灰盒模糊测试（Coverage-guided greybox fuzzing,CGF）是一种动态漏洞检测技术,通过代码插桩结合遗传算法生成测试用例,并利用测试用例触发目标软件中的漏洞。现有CGF在考虑程序路径被测试的频率差异时,是基于给定阈值来区分稀有路径与高频路径,却忽略了路径的稀有程度具有相对性,导致其存在路径覆盖不均衡问题,最终制约了代码覆盖率与漏洞检测效率。本文针对上述问题,提出了一种融合种间热度的灰盒模糊测试方法,主要研究工作与创新点如下:（1）针对路径覆盖不均衡问题,提出种间热度指标。首先用种子热度记录与该种子执行相同程序路径的测试用例数量,将所有种子依据种子热度建立热度优先序列,并将该序列划分为多个等长的子序列;然后将中间位置各个子序列分别与首序列和尾序列进行相似度比较得出种间热度,若与尾序列更为接近,则该子序列中的种子执行了相对稀有路径,反之则是相对高频路径。该指标的优势在于考虑了路径的相对稀有程度,对稀有路径与高频路径的区分更有效。（2）提出基于种子热度的选种策略以及融合种间热度的能量调控算法。受热传导方法的启发,在选种策略中优先选择执行相对稀有路径的种子;在能量调控算法中,增加执行相对稀有路径种子的变异能量,并减少执行高频路径种子的变异能量,从而在变异阶段生成更多执行相对稀有路径的测试用例,最终使得各路径被执行次数趋于均衡。（3）为验证本文方法的有效性,以9个真实世界应用程序、LAVA-M数据集以及Google Fuzzer Test Suite数据集作为测试集,在相同实验环境下对比本文方法与现有覆盖率导向的灰盒模糊测试方法。实验结果表明,本文方法在测试集中路径覆盖更为均衡,发现的路径总数较之其他方法平均提高22.04%,发现的漏洞总数平均提升60.12%。