在软件工程领域,学者们对代码克隆检测技术的研究从来未停止过。代码克隆检测的目的是为了找出软件系统中存在的克隆,通过分析克隆对软件质量的影响来利用有益克隆,同时对软件质量造成威胁的有害克隆进行规避或重构,从而提升软件系统的质量,提高软件人员的开发效率并减少软件维护成本。到目前为止,在克隆检测领域不同方法和技术的积累,主流检测技术分为基于代码语法结构的检测和非语法结构检测。基于非语法结构检测又分为基于文本检测,基于令牌检测和基于代码度量值检测等,这类方法的优点是检测速度快,然而由于未考虑代码结构之间的相似性,这类技术普遍对高级别克隆代码检测的效果不甚理想。反之,基于语法结构检测的技术由于将代码处理为解析树或程序依赖图等,它们将代码之间的结构信息用于最后的检测过程,因此对高级别克隆代码表现出更好的检测效果,但与此同时,基于语法结构检测的技术存在最大的问题是检测效率低下,这是因为将代码转换为树结构或图结构,以及在这些结构上使用到的匹配算法开销比较大,鉴于此,这类技术的应用同样受到了很大的限制。近年来,随着深度学习技术不断提高代码的表达能力,并提高了代码克隆检测的技术水平,这些方法通常需要从抽象语法树向二叉树的转换来合并代码的语法信息,而这样会造成信息损失和额外开销。此外,这些方法使用术语项嵌入技术,而这往往需要大量的训练数据集。为了解决传统检测技术存在的问题,以及近来基于深度学习克隆检测方法的不足之处,本文介绍了一种基于树嵌入技术来进行代码克隆检测,我们的方法首先运用树嵌入技术以获得代码抽象语法树中每个中间层的节点向量,该节点向量捕获了语法树的结构信息。然后,我们使用轻量级方法从相关节点向量中合成一个树向量。最后,通过计算树向量之间的欧几里得距离,以确定代码克隆。在我们称为TECCD的工具中的应用,使用Big Clone Bench（BCB）和6个其他规模的开源Java项目进行评估。结果表明,我们的方法具有良好的精度和召回率,并优于现有的方法。