漏洞是危害计算机系统安全的主要因素之一,程序漏洞的自动检测具有非常重要的研究意义,也是一个非常具有挑战的研究问题。通常,漏洞检测需要分析不完整的程序（Partial Program）,而传统基于规则的静态漏洞检测方法和工具在分析不完整程序上具有较高的漏报率和误报率。机器学习（特别是深度学习）为不完整程序漏洞检测提供了新的思路,但已有方法在真实程序上的效果仍然有待验证。我们提出了基于图神经网络的不完整程序漏洞预测框架,通过提取不完整程序的抽象语法树、控制流图等图结构信息,使用已有图神经网络方法训练漏洞预测模型,来预测不完整程序中是否存在漏洞。在此框架下,我们对比了传统的基于规则的漏洞检测工具以及目前结合机器学习的漏洞检测方法,通过在真实程序上的大规模实验表明,基于图神经网络的方法能有效提高检测的精确率（76%,相对提升50%以上）和召回率（72%,相对提升78%以上）。但是深度学习系统目前尚缺乏合理的可解释性,因而对上述框架的可靠性提出了挑战,而鲁棒性（Robustness）是衡量深度学习模型可靠性的关键属性。鲁棒性验证是提高深度学习模型鲁棒性的有效手段,但是已有鲁棒性验证工作代价高昂且难以扩展。通过对深度神经网络的前向传播原理进行分析,我们得到如下观察:深度神经网络的不同输入周围存在反例的可能性是不同的,并且对于最大和第二大输出值之间具有更小差异的输入更可能是网络的脆弱输入,其周围更容易存在反例。基于此观察,我们提出了一种基于脆弱输入的深度神经网络鲁棒性验证加速方法,通过优先选择更脆弱的输入来做鲁棒性验证,以更早在验证过程中找到反例。我们将方法应用于两个深度神经网络验证工具和四种深度神经网络攻击方法,并在ACAS-XU和MNIST两个测试集上开展实验,测试结果表明,我们的方法在深度神经网络验证时能将发现对抗样本的概率提升至90%以上,在深度神经网络攻击时能将攻击成功率提升约3.3倍。