“复制-粘贴-修改”是软件开发过程中的一种常见操作,这一操作通常会带来大量的代码重复,这些相同或相似的代码片段被称为克隆代码。代码克隆检测的目标就是从软件系统中检测出这些克隆代码。代码克隆检测是软件工程领域的一个基础研究课题,在代码缺陷修复、剽窃检测、代码质量评估、恶意软件检测等领域均有所应用,对于工业界的软件维护、重构等工作也有着重要意义。代码克隆包含文本、词汇、语法、语义四个级别,检测难度依次递增。现有的技术针对前三种级别的检测已经取得了很多优秀成果,但是在语义级别的克隆检测上却没有显著成果。本文首先将语义级代码克隆细分为两种类型:局部语义克隆和全局语义克隆。之后,针对这两种类型的语义克隆,分别提出了将传统方法与神经网络相结合的语义级别代码克隆检测方法。本文的检测粒度是程序中的函数,使用控制流图(CFG,Control Flow Graph)作为代码的中间表示。首先构造基于双向LSTM自动编码器的节点特征模型,将动态时间规整(DTW,Dynamic Time Warping)算法与该节点特征模型相结合,检测局部语义克隆;之后构造基于图卷积网络(GCN,Graph Convolutional Network)的CFG特征模型,用CFG特征模型的输出结果检测全局语义克隆。在实验部分,本文首先使用Apache commons imaging、Apache commons math3、Catalano Framework、Colt、Weka这五个开源系统组成一个代码仓库,又构建了一个全局语义克隆数据集。在这两个数据集上进行实验,并与现有方法进行比较。实验结果表明,除了能够检测出前三种类型的克隆以外,本文方法还能够在上述五个系统中分别检测出9-150对真局部语义克隆函数对;另外,当系统中全局语义克隆-非克隆函数的比例不小于1:20时,使用本文提出的全局语义克隆检测方法可以达到0.627以上的召回率,同时具有较高的精确率。这些结果证实了本方法在检测局部和全局语义克隆方面均能取得良好的效果。