La amplia aplicación de contratos inteligentes de Ethereum en Internet de las cosas, finanzas, medicina y otros campos está asociada con desafíos de seguridad. Los métodos tradicionales de detección detectan vulnerabilidades apilando reglas estrictas, lo que se asocia con el cuello de botella de una alta tasa de falsos positivos y una baja eficiencia de detección. Para compensar las deficiencias de los métodos tradicionales, los métodos existentes de aprendizaje profundo mejoran el rendimiento del modelo combinando múltiples modelos, lo que resulta en estructuras complejas. Desde la perspectiva de optimizar el espacio de características del modelo, este estudio propone un esquema de detección de vulnerabilidades para contratos inteligentes de Ethereum basado en aprendizaje métrico y una red LSTM bidireccional (BiLSTM). Primero, se preprocesa el código fuente del contrato de Ethereum y se utiliza la representación de vectores de palabras para extraer características. En segundo lugar, la representación se combina con el aprendizaje métrico y el modelo BiLSTM para optimizar el espacio de características y realizar la cohesión de contratos similares y la discreción de contratos heterogéneos, mejorando la precisión de detección. Además, se introduce un mecanismo de atención para filtrar características clave de vulnerabilidad y mejorar la observabilidad de la detección. El método propuesto se evaluó en un conjunto de datos a gran escala que contiene cuatro tipos de vulnerabilidades: vulnerabilidades aritméticas, vulnerabilidades de reentrada, llamadas no verificadas y controles de acceso inconsistentes. Los resultados muestran que el esquema propuesto exhibe un excelente rendimiento de detección. Las tasas de precisión alcanzaron el 88.31%, 93.25%, 91.85% y 90.59%, respectivamente.