源代码漏洞检测是网络空间安全领域一项重要的研究内容。现有的软件源码漏洞检测技术仍存在一些问题。基于传统方法的检测技术依赖于人工经验和专家知识对漏洞特征进行建模,复杂程度高,效率低;在基于深度学习的检测技术中,虽无需人工对漏洞特征建模,但程序源代码建模和神经网络模型构建仍存在一些亟需解决的问题。因此,研究深度学习与源代码漏洞检测相结合的检测方法,实现对程序源码高效的漏洞检测,对提高自主研发软件的安全质量,维护网络空间安全具有重要意义。论文围绕基于深度学习的软件源码漏洞检测技术展开研究。首先,本文结合源代码漏洞检测的相关原理,针对目前基于深度学习的源代码漏洞检测方法中存在的基本问题进行研究,提出了一种基于神经网络的源代码漏洞检测框架,并对框架中的关键方法进行研究分析。其次,针对与漏洞检测紧密相关的数据处理函数,本文利用神经网络提出了一种数据处理函数的自动识别方法。根据提出的基于神经网络的源代码漏洞检测框架,本文提出了基于CNN-GAP的源代码漏洞检测方法,在实现对漏洞函数识别的基础上,能对判别结果进行可视化输出。本文主要工作和创新点如下:（1）提出了一种基于神经网络的源代码漏洞检测框架。论文针对现有源代码漏洞检测方法的局限性,提出了一种利用神经网络进行软件源码漏洞检测的框架。首先对源代码漏洞检测相关概念进行论述,然后针对目前方法的局限性,提出了基于神经网络的源代码漏洞检测框架,并对框架中的关键方法进行研究分析,提出了基于token序列和One-hot向量映射的程序建模方法以及能够进行可解释输出的神经网络模型构建方法。（2）提出了一种基于神经网络的数据处理函数的自动识别方法。论文首先研究分析了数据处理函数对漏洞检测的重要性,针对当前缺乏自动化对数据处理函数的识别方法,提出了基于神经网络的自动识别方法。首先从开源程序中收集了大量数据处理函数作为数据集,然后根据提出的程序建模方法将数据处理函数转换成向量,最后基于卷积神经网络构建分类器,实现对数据函数和非数据处理函数的分类。论文通过实验来对分类效果进行评估,通过在真实软件7zip、FFmpeg、Jpeg和CGC程序上进行实验,验证了其有效性。（3）提出了一种基于CNN-GAP的源代码漏洞检测方法。论文以提出的基于神经网络的漏洞检测框架为基础,以CWE-119类型的漏洞为检测对象,提出了基于CNN-GAP的源代码漏洞检测方法。首先将程序源代码以token序列的形式转换成向量,然后构建以CNN-GAP即卷积神经网络加Global Average Pooling层的网络模型,来实现对CWE-119类型的漏洞函数进行检测,并在最后输出结果的可视化形式。论文通过与Russell提出的模型和李珍提出的模型Vuldeepecker进行对比实验,验证了其有效性。