程序分析技术是一种有效消除代码缺陷的技术。二进制程序文件中的变量信息,可以辅助代码分析工具理解程序的功能与逻辑。但是在闭源软件中,这些信息均被抹除。目前有很多恢复变量信息的工作,它们都依据事先制定的规则,提取变量操作指令及其中的数据依赖关系作为特征,从而恢复变量信息。这些工作普遍遇到了两个问题。首先,随着编译器及系统的发展,这些工作中已有的规则需要被升级。其次,对于一些参与少量的运算的孤立变量,现有工作难以获得足够的有效特征。这会导致一些变量的特征之间存在歧义,即不同类型的变量可能被收集到同样的特征。针对孤立变量特征欠缺的问题,本工作发现变量操作指令的近邻操作指令,有大概率操作同类型变量,因此将其引入作为变量操作上下文,使变量特征更加丰富且减少了特征之间的歧义;针对规则需要升级的问题,我们使用预训练词向量和神经网络,自动化捕捉不同体系结构汇编代码中蕴含的语义并推断其中的变量类型信息,避免了大量的人工劳动。我们由此开发了一个跨体系结构的变量类型推断工具。相较之前工作,它在常见体系结构上的正确率都有较大的提升。在目前使用最广泛的x86＿64上,使用相同分类标准,正确率由原有的73%提升至86%。论文的研究工作和贡献点包括:（1）我们对一万六千余个二进制程序文件进行了实证性研究,在不同的编译条件下,分析了孤立变量的数据依赖缺失的问题,给出了传统的基于数据依赖的类型推断系统的局限性及分析理论上限;（2）我们通过调研发现,目标变量操作指令的近邻指令有大概率操作同类型变量,因此将其作为上下文进行共同编码,作为目标变量的特征。接着,我们以此为基础,构建了一种新型的智能化类型推断工具;（3）我们在不同体系结构、不同编译器、不同优化等级下测试了本工具的有效性及可迁移性,并与当前最新的工作进行比较,展现了优越性。