软件克隆检测致力于找出两段功能相似的代码段,其对软件系统的维护和发展起着非常重要的作用。目前该领域存在很多研究试图有效检测软件克隆,他们多是基于代码段的文本或结构信息,手工提取代码段包含这些信息的特征。这种做法使其无法有效检测出软件功能型克隆,即只有功能相似而在句法和语法层面可能有很大差别的代码段。本文针对目前方法无法有效检测软件功能型克隆的现状,提出基于深度学习模型和监督信息的软件功能型克隆检测方法。本文首先将软件克隆检测问题形式化为一个监督学习问题,提出一个端到端的深度学习框架CDLH。CDLH利用训练集中代码段的监督信息指导深度学习模型,并根据编程语言的特点设计深度模型,使深度模型学习出的深度监督特征不仅包含代码段的句法和语法信息,同时包含了其功能信息。在真实数据集上的实验结果表明,所提方法能够有效地检测出功能型克隆。使用监督信息指导特征学习能学得包含代码段功能特点的特征,但在真实场景中进行软件克隆的标记时,领域专家一般只标记他们恰好发现的克隆对,而有大部分的未被发现的克隆对和非克隆对未被标记。因此本文提出在弱标记场景下的软件克隆检测问题应该被形式化为一个从只有正标记数据和无标记数据中进行的学习问题,即PU(Positive and Unlabeled)学习问题,并据此提出了一种能够利用未标记数据的方法CDPU。CDPU还利用了对抗训练机制来使模型更加鲁棒。在真实数据集上的实验结果表明所提方法能够在真实标记场景下有效检测出功能型克隆。