近年来,由于广泛存在的代码复用和第三方开源库的使用,软件中存在着大量的相似代码段。这些原始代码片段中一旦出现漏洞,共享相似代码片段的程序将面临着很高的安全风险。现阶段的漏洞代码克隆检测研究工作普遍停留在源码级别,关于二进制漏洞代码克隆检测的研究还比较少。但由于商业版权保护等原因,很多情况下人们无法获得源代码。因而,针对二进制漏洞代码克隆检测的问题日益成为信息安全领域研究和实践工作的重点。相对于源码级别的漏洞代码克隆检测,二进制漏洞代码克隆检测面临着更加艰巨的挑战。一方面,二进制程序不易于理解,缺少变量类型、函数等大量的语义信息,导致在进行二进制漏洞代码克隆检测时,基于源码的技术无法使用。另一方面,基于文本、语法分析的精度较低,而基于语义的方法虽然可以一定程度上提高准确度,但由于该方法是基于图和树的匹配来进行,导致其检测速度很慢,难以应用于实际检测中。考虑到二进制漏洞代码克隆检测的重要性与挑战性、深度学习模型出色的学习能力,本文采用基于深度学习的方法,设计并实现了基于语义学习的二进制漏洞代码克隆检测方案。本文的主要贡献如下:1)提出“预训练+微调”的训练模式,设计并实现了一种构造大规模训练样本对的方法,解决了训练样本克隆对缺失导致模型精度低的问题。2)改进现有二进制代码语义表示方法,提出基本块特征加基于语义流图的结构化特征表示方法,通过使用更加丰富的语义信息,提高了检测精度。3)提出一种基于语义学习的二进制漏洞代码检克隆测模型,将函数语义信息融入到网络模型中,从而提高二进制漏洞代码克隆检测的精确度。最后,论文通过一系列对比实验对方案进行了验证。实验证明,本论文提出的方法具有更好的检测效果,检测结果较现有方法(如Gemini等)准确率提升约10%。此外,在保证了检测精度的同时,本文方法的检测速度仍然很快,平均约0.19s即可完成一对输入样本对的相似性检测。