随着区块链2.0技术的到来以及将区块链行业发展规划写入我国“十四五”规划纲要中,区块链在国家与社会层面越来越受重视。与此同时区块链产业规模逐步提升,区块链相关企业数量持续增加,区块链领域的安全事件也频频发生,造成了重大财产损失,因此亟需对区块链上部署的智能合约进行安全漏洞检测来预防攻击。目前针对智能合约漏洞检测的工具误报率、漏报率都比较高,深度学习法检测智能合约漏洞准确率、检测效率比其它检测方法高但是可检测的漏洞种类比较少,并且大多数检测工具无法检测最新版本的智能合约。因此本文提出了一种基于图神经网络的多特征融合智能合约漏洞静态检测方法来对通用多版本智能合约进行漏洞检测,并分析了静态方法的不足,改进了基于混合模糊测试的智能合约漏洞动态检测方法,本文的贡献主要在于以下几点:1.本文对常见的29种智能合约漏洞检测工具的原理进行了分析,将其分为形式化验证法、符号执行法、模糊测试法、中间表示法、污点分析法、深度学习法等六大类。并对其中多款智能合约漏洞检测工具在可检测漏洞类型、检测准确率、可检测智能合约版本等方面进行了实验对比。最终对实验结果进行了总结,阐述了目前深度学习法静态检测工具检测智能合约漏洞的准确率、效率较高,但可检测智能合约漏洞较少、版本较老旧,检测断言失败、未处理的异常等漏洞存在不足,针对静态检测工具的不足,可以通过动态检测工具进行弥补等结论。2.本文提出了一种基于图神经网络的多特征融合漏洞检测方法。该方法通过将多种图特征和模式特征相融合,提高了漏洞检测的准确率,将可检测漏洞提升到7种,并解决了通用高版本智能合约无法检测的问题,最后通过实验对此方法进行了验证。3.本文改进的基于混合模糊测试的智能合约漏洞动态检测方法可以检测断言失败、重入、整数溢出等10种智能合约常见漏洞。通过对遗传算法进行优化与改进,提出了线性排序分割算子、概率交叉算子、稳定突变算子等概念,提高了漏洞检测效率、代码覆盖率、分支覆盖率,并通过实验对此方法进行了验证。