以太坊将智能合约运用到了区块链中,并将其应用场景拓展到了众多新领域中,使得区块链进入了2.0时代。智能合约本质上是一段具有契约性质的代码,不可避免的会出现程序漏洞,近几年由智能合约漏洞所引起的区块链安全事件逐年增多并造成了巨大的经济损失。在调研并总结了已有智能合约代码审计方法后,针对其存在检测方法技术门槛较高且效率较低的问题,本文提出了一种基于深度学习的以太坊智能合约漏洞检测方法。本文的具体研究工作为如下四点:（1）对已有的智能合约漏洞检测工作进行了归纳,分析并总结了智能合约代码人工审计方法和自动化审计方法的优缺点。人工审计由于其效率低下而无法适应智能合约的高速发展已被逐渐淘汰,自动化审计则存在自动化程度较低、硬件资源要求高或无法验证智能合约功能性等问题。（2）构造了一个包含44578个智能合约的实验数据集,解决了缺少公开数据集的问题。以一个不完整的数据集为基础,使用Python语言编写脚本从Xblock所公开的合约信息中获取了合约地址以及字节码信息,以此构造了字节码数据集。使用Selenium工具模拟用户的输入与点击在Etherscan进行字节码自动解码,并通过代码优化提升解码效率,以此构造了操作码数据集。数据集为后续实验的开展提供了保障。（3）提出了字节码灰度矩阵图构造方法,并针对智能合约算术漏洞定义了28维算术漏洞特征。对于五种常见的智能合约漏洞提出了字节码灰度图构造方法,将其字节码转换为字节码灰度矩阵图。针对智能合约操作码种类繁多的问题定义了智能合约算术漏洞特征,通过分析算术漏洞的特点从142类的智能合约操作码中定义了28维算术漏洞特征,更加准确描述算术漏洞的同时减少了后续模型的参数量。（4）提出了一种以太坊智能合约漏洞检测方法,实现了准确、高效且自动化的智能合约漏洞检测。提出了基于卷积神经网络的漏洞检测模型,模型内的特征空间金字塔池化能够处理并融合尺度不一的高低层特征,实验结果表明其检测准确率和F1分数分别可以达到83%和89%以上,但该模型在算术漏洞上表现较差。因此针对算术漏洞提出了基于长短期记忆网络的算术漏洞检测模型,从智能合约操作码中定义了算术漏洞特征后,为避免向量稀疏问题使用了稠密矩阵对算术漏洞特征进行向量化,实验结果表明其准确率和F1分数分别可以达到82%和85%以上。另外在检测效率方面,实验结果表明本文的方法平均仅需约0.02秒即可分析一个智能合约,相较于形式化验证和符号执行方法,本文所提出的方法大大提高了检测效率。