程序合成（又叫程序综合、程序自动生成）,作为人工智能领域的“圣杯”自诞生以来就受到了密切的关注,它的目标是自动查找满足以某种形式约束表示的用户意图的程序。当前的程序合成研究有了一些发展,但仍然面临着许多问题和挑战。首当其冲的是当前得程序合成技术合成精度有限,只能解决一些功能简单、规模较小的编程任务。同时,对于合成得到的代码,很难在逻辑上验证其正确性,其合成结果质量无法保证。此外,许多程序合成方法局限于某个特定领域来进行研究,通用性较差。本文针对当前程序合成领域面临的问题,选择了其中的一类问题进行研究,即基于深度学习的程序合成,又名神经程序合成（Neural Program Synthesis,NPS）。本文提出了一个基于神经程序合成的通用优化框架,该框架从三个维度来分析和解决问题:模型架构改进、结果质量优化和程序空间扩展。（1）基于子状态集注意力模型的合成精度提升方法。以神经程序合成为研究对象,本文分析了它可能存在的两个缺点:一是长序列结构的性能下降,二是编码器的信息会随着时间序列增长而逐渐被遗忘。程序通常是结构化的,然而神经程序合成的模型输入并不总是序列结构。因此,本文提出了一个子状态集注意力模型来提升合成精度的同时,促进长代码的生成。实验表明,在我们的方法指导下的神经程序合成方法的性能平均提高了14.3%,最高达到了23.8%。（2）神经程序合成与程序切片结合的质量优化方法。为了提高合成结果的质量,本文首先提出了结合程序切片的方法对合成结果进行优化。此外,对于基于草图的程序合成来说,本文在变量选择部分增加了三种启发式策略去改进草图填充,提升填充的正确率。实验表明,在我们启发式方法指导下编程任务的变量选择精度平均提高了30.4%的填充精度。此外,程序切片促使每个编程任务的代码精化率平均41.5%,最大减少率为63.6%。（3）基于非API语句封装的合成方法应用能力扩展。普遍的程序合成方法通过构建程序语法的子集来描述程序空间,然而在涉及许多非API语句的情况下并不能满足实际的开发。因此,本文提出了一种基于这些技术扩展非API语句的新方法。它将非API语句封装为API调用来扩展程序空间,以扩展合成的能力。实验表明,该方法能够很好地合成包含非API语句的任务,同时保持模型的性能。