智能合约安全是区块链领域的重要挑战。以太坊智能合约编程漏洞已被利用造成严重经济损失。现有检测工具通常只针对少数特定漏洞类型，难以扩展到新型漏洞，且需要重新设计。本文提出ESCORT，一种基于深度迁移学习的多漏洞检测框架。该方法采用共享的特征提取器学习合约字节码的通用语义表示，并为每种漏洞类型设置独立分类分支，从而作为多标签分类器同时检测多种漏洞。当出现新的漏洞类型时，仅需在预训练的特征提取器上新增分支，并利用少量数据微调即可完成扩展，避免了全模型重新训练。作者在361万个真实智能合约上验证了有效性：初始训练阶段对六种常见漏洞的平均F1分数达98%，迁移学习阶段对另外五种漏洞的平均F1分数达96%。与现有非机器学习工具相比，ESCORT不依赖特定合约结构，能处理任意复杂度合约，实现100%覆盖率；同时避免了部署多套工具的繁琐，显著缩短检测时间。该工作首次将迁移学习引入智能合约漏洞检测，为快速适应新型漏洞提供了可行路径。作者计划开源数据集与标注工具链，以促进后续研究。该研究对以太坊安全审计、漏洞监测及区块链安全研究具有重要参考价值。