代码克隆检测是提高软件开发效率、软件质量和可靠性的重要手段。基于抽象语法树（abstract syntax tree，AST）的单语言克隆检测已经取得了较为显著的效果，但跨语言代码的AST节点存在同义词、近义词且手工标注数据集成本高等问题，限制了现有克隆检测方法的有效性和实用性。针对上述问题，提出一种基于对比学习的树卷积神经网络（contrastive tree convolutional neural network，CTCNN）的跨语言代码克隆检测方法。该方法首先将不同编程语言的代码解析为AST，并对AST的节点类型和节点值作同义词转换处理，以降低不同编程语言AST之间的差异；同时，采用对比学习扩充负样本并对模型进行训练，使得在小样本数据集下能够最小化克隆对之间的距离，最大化非克隆对之间的距离。最后在公开数据集上进行了评测，精确度达到95.26%、召回率为99.98%、F₁为97.56%。结果表明，相较于现有的最好的CLCDSA和C4方法，该模型的检测精度分别提高了43.92%和3.73%，其F₁值分别提升了29.84%和6.29%，证明了所提模型是一种有效的跨语言代码克隆检测方法。