代码克隆（Code Cloning）指的是字面或功能上相同的代码片段。由于很多客观的原因,诸如开发任务紧,开发人员水平有限等原因,软件项目开发人员经常通过复制粘贴代码片段来完成任务,在软件项目中产生大量的代码克隆。然而,代码克隆往往导致软件系统维护问题,诸如一处代码功能改变,但克隆的代码没有相应被修改,导致原来一致的代码功能不能一致。因此,如何自动、准确定位功能相似的软件代码成为软件分析任务中的一项挑战和研究热点。传统的代码克隆检测方法大多基于文本分析技术,通过字符串匹配等进行。作为一种人创造的高级的“语言”,代码文本在语义相近的代码克隆检测任务中,通过简单的字符串模式匹配等文本分析方法很难有理想的表现。因此代码克隆检测（Code Clone Detection）是软件工程中重要的一项任务。针对上述的研究问题,本文的工作着重在通过使用深度学习,开发出性能更好的代码克隆检测模型,并验证该模型的有效性,同时,进行分析的工作。本文中的工作具体如下:（1）首先提出基于多模态的代码表示方法在代码克隆检测任务中的应用。即用深度学习模型学习代码在文本层面（Textual）、语法表示层面（Syntactic）和程序控制流图（Control Flow Graph）层面的相似性,通过使用不同的深度学习模型来对代码进行特征抽取,能够准确地计算代码文本的相似性。（2）设计符合多模态代码表示的注意力机制。我们在多模态的代码表示方法的基础上继续优化,在不同的模态上设计相应的注意力机制,通过该机制,进一步提高代码克隆检测模型的准确性,并给出相应的数据分析。（3）设计基于Transformer模型并对代码转成抽象语法树（Abstract Syntax）Tree)的文本特征进行特征抽取方法。本文介绍了如何设计相应的Transformer网络并训练模型来提升代码克隆检测模型的性能以及代码功能分类任务的准确性。本文的主要贡献:（1）通过多模态的融合技术来综合表示代码的功能,并设计一个深度学习模型,让深度学习模型可以更准确地学习到代码文本中的重要信息,使模型达到更准确的相似性检测效果;我们将深度模型算法运用在不同的代码形式,即文本,抽象语法树以及图上,建立一种混合形态的代码表达,旨在引入更丰富的代码表达信息,使模型可以更好地学习代码的表示。对于这种多模态的代码表达,我们属于首次提出;（2）本文提出通过图卷积模型对代码片段进行语义级别的代码表示并建模,从而能够提取代码中的结构信息,增强代码表示的结构信息从而达到通过深度学习提高检测精度的目的;（3）通过使用和设计对应模态的注意力网路模型,训练相应的深度学习模型,从而使模型可以学习代码文本中重要部分的权重,提高代码克隆检测的准确性。我们研究了注意力机制在不同的代码表达形式上的作用,以及调查了注意力机制对克隆检测最终准确性产生的影响,详细介绍了在不同的代码表示中所涉及的特定形态的注意力机制。最后,以代码克隆检测作为代表性的任务,通过实验确认注意力机制对于代码分析任务的作用。本文中所涉及的实验,均通过在BigCloneBench数据集（一个Java克隆代码数据集）上验证,实验得到了目前为止最好的实验效果（STOA）。结合研究过程中缺少相应大量数据的问题,本文也提供在实验中所有使用的数据,并开源所有项目中所使用的代码和数据集。