随着信息技术与软件的高速发展,软件漏洞攻击的逐渐增加,给软件漏洞检测技术带来了前所未有的挑战。基于静态分析与动态分析的传统方法都或多或少的存在检测的准确性差,以及依赖专家知识的问题。与依赖统计特征的机器学习检测方法相比,基于深度学习的检测方式由于其不需要人工提取特征的独特优势,逐渐成为研究的热门方向。现有的深度学习的检测方法主要存在以下几个问题:（1）由于代码文件的非结构化特性,需要选取合适数据预处理方法,将代码文件转换为特征向量。不同的数据预处理方法,会影响算法定位软件漏洞的准确性。（2）不同神经网络模型的选取,会影响提取上下文特征的能力,进而影响检测方法的准确率和召回率,选取合适的神经网络模型至关重要。（3）深度学习模型需要大量数据进行训练。由于编程规范与开发人员自身的编程习惯的差异,不同的软件项目中,代码文件的特征分布存在一定的差异性。在旧项目数据上训练出的模型,难以完成新项目上的检测任务。针对以上问题,本文研究并实现了基于代码切片知识迁移的软件漏洞检测系统,使用代码切片技术实现代码文件的数据预处理,将Transformer网络作为代码上下文的特征表示层,提升算法效率,引入了图像识别领域中的域适应技术,提升了深度学习模型在新的软件项目上的算法性能。本文的主要工作如下:（1）面向软件源代码,设计并实现了基于代码切片知识迁移的软件漏洞检测的方案。通过静态分析工具生成代码切片,将代码切片输入深度学习模型之后,通过模型输出的分类结果,检测源代码文件中是否含有软件漏洞。（2）使用Transformer网络,用于深度学习模型中的的特征提取层,学习代码上下文语义,提高深度学习模型学习代码语义特征的能力,减少模型的训练时间。（3）将图像识别中的域适应算法用于软件漏洞检测,提升了漏洞检测模型在新项目数据上进行分类的能力,实现了深度学习模型在不同数据集之间的知识迁移。（4）给出了从分析代码源文件到训练深度学习模型的详细步骤,在公开的数据集上进行了实验分析,证明了本文方法的可行性和有效性。