代码注释主要用于描述程序代码所提供的功能,在软件开发期间和项目维护期间均起到了极为重要的作用。然而,在实际开发过程中,由于人工编写代码注释的时间成本较高,导致大量的程序代码出现注释丢失或注释不匹配的问题。代码注释生成主要将结构化程序代码自动转换为能够描述该程序代码功能的自然语言注释,在一定程度上减少了软件开发人员编写代码注释所需的工作量。一些研究工作直接将程序代码表示为源代码序列的形式,并采用循环神经网络作为编码器对源代码序列进行建模。但是,程序代码是一种结构化数据,其蕴含着程序代码特有的结构信息,这些结构信息对正确理解程序代码的功能有着重要的影响。虽然这些方法在一定程度上提取到了程序代码的序列信息,但无法考虑到程序代码中复杂的结构信息。为了提取程序代码中的结构信息,部分研究工作将程序代码表示为抽象语法树,并采用长短期记忆网络或树形长短期记忆网络对抽象语法树进行编码。然而,基于长短期记忆网络的方法无法很好地考虑抽象语法树中节点的连接关系。基于树形长短期记忆网络的方法更加关注从叶子节点到根节点的信息传播,但忽略了反方向的信息传播。因此,本文基于图神经网络的相关编码思路,在程序理解方面展开了研究,并取得了以下两方面的研究成果:（1）本文提出了一种基于结构感知图神经网络的代码注释生成模型。该模型的结构感知图编码器以程序代码的图结构表示为输入,包括语法依赖图和语义依赖图。然后,该模型分别采用基于层次的信息传播机制和基于邻居的信息传播机制对两种依赖图进行合理的编码。为了获得图级别的特征,该模型的图聚合网络首先采用双向长短期记忆网络和最大池化方法分别聚合语法依赖图和语义依赖图上的节点特征。最后,通过融合语法依赖图和语义依赖图的图级别的特征,以获得解码阶段的初始输入向量。该模型将图神经网络作为底层编码模型,并采用不同的信息传播机制对依赖图进行建模,能够更好地对程序代码中复杂的依赖关系进行学习。（2）本文提出了一种基于结构感知混合编码网络的代码注释生成模型。该模型的编码器包含序列编码层、语法结构编码层和聚合编码层。序列编码层以程序代码的序列形式为输入,并采用深度自注意力变换网络以捕获程序代码的序列信息。语法结构编码层以语义依赖图为输入,并采用图注意力网络以有效地提取程序代码的语法结构信息。聚合编码层采用深度自注意力变换网络以聚合序列编码层和语法结构编码层的结构表示。该模型通过这种混合编码方式以更好地学习程序代码中复杂的依赖关系。实验结果表明,模型在多种编程语言数据集上均取得了较好的结果,能够更加有效地捕获程序代码中复杂的结构信息。同时,为了验证模型的各个组成部分的贡献程度,本文在不同代码注释生成模型上设计了消融实验。最后,本文通过样例分析展示了针对不同编程语言所生成的自然语言注释,以从直观的角度验证模型的有效性。