在软件开发阶段,开发人员为了缩短开发时间、减少开发成本,经常会通过复制粘贴已有代码来进行软件开发任务。一般地,这种开发方式被称为代码克隆,所使用的重复代码被称为克隆代码。虽然代码克隆可以有效地降低软件开发的成本,但它可能会对整体软件的质量带来潜在的威胁,并显著增加维护成本。因此,为了保证软件质量,有必要对软件进行代码克隆检测。维护人员可以对检测到的克隆代码进行重构,以此来减少软件中的克隆代码。为了缓解克隆所造成的软件质量缺陷,现有的研究已经提出了许多用于代码克隆检测的自动化技术和工具。在现阶段的研究成果中,大部分研究所提出的检测技术主要是基于粗粒度的,并主要在前两类克隆中有较好的表现。然而,结构化克隆和语义克隆对软件质量影响较大,且无论在开发中和维护中都较难检测。并且,考虑到函数是组成系统的有意义的最小代码单元,本文尝试在函数级别上分别对结构化克隆和语义克隆进行检测,主要取得了以下研究成果:(1)为了在函数级别有效地检测软件中的结构化克隆代码,本文提出了函数级别的代码克隆检测方法,该方法利用结构相似性来测量函数级别中代码片段的相似性。该方法首先通过使用定义的节点类型而不是原始节点表示来改进抽象语法树(AST),以消除不同值给相似度计算带来的误差。然后采用序列算法,即Smith Waterman,来计算函数级别代码片段对的相似性得分。为了评估该方法的有效性,本文基于开源软件项目构建了五个公开可用的数据集。在五个数据集上的实验表明,该方法平均可以达到90.46%的精度和96.24%的召回率,并且比对比算法分别提高10.94%和4.02%。同时,实验结果表明,在跨项目的代码克隆检测中,该方法可以达到92.22%的精度和97.30%的召回率。(2)为了对软件中的语义克隆进行有效地检测,本文提出了一种新的语义克隆检测方法SCDVP。该方法首先通过将代码转化为中间表示,然后构造程序依赖图(PD G),并抽取其中的控制依赖和数据依赖信息。然后利用深度学习中的语义理解模型p aragra-ph2vec来分别获得每个函数的语义向量化表示。最后通过使用余弦相似度计算公式计算向量间的相似度值来判断函数间是否为克隆。为了评估该方法的检测性能,本文使用代码克隆标准数据集BigCloneBench来作为数据集。其实验结果表明,该方法可以达到95%的精度和96%的召回率,着意味着该方法在基于函数的代码克隆检测中表现良好。此外,在该数据集中,SCDVP的性能明显优于其他对比方法。