图形作为易于解释和引人注目的数据表示形式被广泛应用于日常工作中,现有的编程语言几乎都提供了大量的绘图API以满足用户的绘图需求。基于图表图像的绘图API推荐（Plot2API）是一个尚未被探索但具有重要意义的研究课题,其在软件工程和数据可视化的背景下有着极其广泛的应用价值,如对新手进行绘图指导、不同绘图API相关性分析、以及图像的绘制代码转换等。Plot2API是一项非常具有挑战性的任务,因为每张图像通常由多个绘图API绘制,并且由于参数设置的不同,由同一API绘制的图形在外观上也可能存在着极大的差异。此外,绘图API数据集中也存在严重的数据不平衡问题。这些都给绘图API的推荐任务带来了不利影响。本文主要利用卷积神经网络和语义先验知识解决绘图API的推荐问题,并针对该问题中的数据不平衡现象进行深入研究。因为当前各编程语言所提供的绘图API数量一定,且图像由多个API共同绘制。因此,本文将绘图API推荐任务视为多标签图像分类问题。为了解决Plot2API问题,更好的推荐绘图API,本文展开以下研究:（1）本文首次正式对Plot2API任务展开系统的研究工作,并提出了一个新的深度多任务学习方法,将Plot2API问题转换为基于语义解析的多标签图像分类问题。该方法利用卷积神经网络提取图像的视觉特征,同时设计了一个语义解析模块以标签语义信息为引导辅助模型学习图像视觉特征,消除可能混淆模型进行API推荐的形状几何信息。此外,本文还引入了数据增强技术缓解数据集中的绘图API类别不平衡问题,进一步提升模型的推荐性能。（2）针对Plot2API数据集中类别不平衡导致的模型过拟合问题,本文提出了基于形状迁移学习的不平衡学习策略。该策略利用图像的类层次结构和语义关系信息引导神经网络学习图像的几何形状特征,从而能够学习到更多可迁移的视觉特征。此外,通过收集其他编程语言中具有高度语义相似性的绘图API类别进行样本扩充,以缓解类间不平衡。为了缓解训练过程中正负样本之间的不平衡问题,提出了一个新的多标签分类损失函数。并在两个数据集上进行了大量实验,证明了该策略的有效性。