代码克隆是具有相似语法或语义的重复代码片段。代码克隆检测在软件维护、代码重构以及漏洞检测等任务中起着重要的作用。为了节约大量的人力、物力,自动检测出代码库中的代码克隆是软件工程领域最重要的问题之一。近年来,利用机器学习技术分析源代码已经引起了人们的广泛关注,不少研究人员采用机器学习技术进行代码克隆检测。较早的研究工作主要使用信息检索方法,这丢失了大量的重要语义信息。最近的研究表明,借助于源代码的中间表示形式,如抽象语法树,可以提高机器理解源代码语义的能力,进而更好地完成下游任务,如代码克隆检测。因此,本文主要从源代码的不同中间表示形式出发进行了以下研究工作,以更好地完成代码克隆检测任务:本文首先提出了基于语句树学习的代码克隆检测方法,将词法和语法信息结合分析起来表征源代码语义。本文选取了四个评价指标来衡量该方法在公共数据集GCJ上进行代码克隆检测任务的有效性。该方法在四个指标上都表现较好,其中F1分数为98.6%,超越了目前最先进的模型FA-AST-GMN;本文接着提出第二个方法:基于图的代码克隆检测方法。该方法首先将源代码的控制、数据依赖信息显式地添加到程序图表示形式中,然后设计了一个可学习的嵌入函数将程序图映射为一个嵌入向量表示,最后使用一种新的注意力机制,根据每个图节点所包含的全局信息,计算出不同节点的重要程度,进而通过图节点加权平均计算得到源代码的图级嵌入表示。本文使用该方法在公共数据集GCJ上进行代码克隆检测任务,其F1分数为95.4%。基于图的代码克隆检测方法只考虑了源代码的图结构信息,为了提高其精准率和召回率,本文进一步提出了基于融合表示学习的代码克隆检测方法,主要有两个改进:其一,在得到程序图表示后,使用源代码的文本信息（分别是Token级别和源代码语句级别的文本）作为图结构信息的补充;其二,使用序列网络对获取关于图的全局信息,以打破图神经网络k阶邻域信息传递的限制。该方法在公共数据集GCJ上的F1分数上表现为99%,超越了目前最先进的模型FA-AST-GMN。