软件抄袭已成为软件生态环境健康发展的严重威胁之一。目前,胎记技术是实现软件抄袭检测的一种最为有效的手段。然而,随着多线程程序成为主流,传统动态胎记技术无法对抗多线程程序中线程交织的干扰,导致检测性能过于随机甚至发生误判。现有的针对多线程程序的线程感知胎记方法,均针对程序单条轨迹进行分析,方法本身存在诸多局限性。此外,现有方法的胎记构建方式在很大程度上依赖于人工提取和经验观测值,未经过任何真实训练。因而难以推广到未知的数据集,泛化能力不强。对此,本文通过模式提取和表征学习,提出了三种新颖的针对多线程程序的抄袭检测方法,主要贡献如下:（1）提出了一种基于行为motifs的多线程程序抄袭检测方法,该方法基于多线程程序的动态执行轨迹集,通过轨迹修剪、gram匹配和扩展抽象,提取能够表征程序语义信息的行为motifs,在此基础上构建出线程感知的motifs胎记。实验结果表明,motifs胎记是一种可靠的线程感知胎记,可有效对抗当下主流的代码混淆手段,集成该胎记的检测系统在各种评估指标下,与现有方法相比均表现出更优秀的检测性能。（2）提出了一种基于频繁模式挖掘的多线程程序抄袭检测方法,通过监控多线程程序的动态运行过程捕捉程序执行轨迹集,利用数据挖掘技术从轨迹集中挖掘出频繁模式,约减后构建出动态线程感知胎记FPBirth。实验结果表明,FPBirth胎记具有较好的线程感知能力和抗混淆能力,集成了FPBirth的抄袭检测系统能够更好地处理多线程程序的抄袭检测。（3）提出了一种基于孪生神经网络的多线程程序抄袭检测方法,该方法设计深度神经网络模型实现程序高层语义特征向量的表征学习,借助孪生网络结构对原被告程序的语义特征向量进行融合,将融合后的特征向量送入多层感知机进行相似性度量学习,最后对多输入下的相似性值进行bagging集成得到原被告程序的相似性。基于提出的方法设计实现了多线程程序抄袭检测系统NeurMPD。实验结果表明,NeurMPD的检测准确率达到99%以上,且具备较好的弹性和可信性。