随着大数据时代下“审计全覆盖”概念的提出,导致审计工作中需要处理的数据量越来越大,数据种类也随之增多。使得审计人员必须使用多种的技术手段来采集、分析不同类型的数据,而编程语言是其中最难掌握的一种。自然语言编程是自然语言处理的一个研究方向,主要通过自然语言处理的相关技术,提取自然语言序列中（可能出现）的编程思想来降低编程难度,其最终目标是生成计算机能够直接编译或解释的完整计算机程序。将自然语言编程融入到审计工作中,有利于降低审计人员的编程难度,提高工作效率。通过对自然语言编程相关文献的梳理未发现将自然语言序列转化为python程序框架的论文。因此,本文研究如何将审计人员输入的中文自然语言序列转换为python程序框架,并通过一个“审计方案”来展示转换的过程。具体的转换过程为:首先,通过句子切分、分词、词性标注以及依存句法分析得到自然语言序列中词组与词组之间的依赖关系。利用依赖关系筛选出具有宾语的动词,将具有宾语的动词作为程序步骤的判定条件,并利用动词与动词宾语的组合来表示程序步骤。然后,利用词组与词组之间的依赖关系将自然语言序列转化为树型结构,再对此树型结构剪枝操作形成只包含动词的树。通过“动词树”体现的动词与动词之间的关系,确定程序最终的执行步骤以及程序步骤的执行顺序。最后,将程序步骤转换为python程序框架,将“动词树”中的叶子结点转化为程序注释,将非叶子结点转换为函数（方法）。自然语言编程实现是依赖于自然语言序列中的编程思想,若将无编程思想的自然语言序列转化为程序框架,会导致生成错误的程序框架。判断自然语言序列中是否含有编程思想是一个分类问题。通过对相关资源的梳理未发现有关数据集,为了完善自然语言编程的实现,本文以“审计数据分析方案”为蓝本构建了数据集,并手工将数据集分为有无编程思想两类。动词词组与名词词组是自然语言序列的核心,且自然语言编程实现依赖于名词与动词,因此本文利用数据集中的名词与动词生成向量。搭建基于反向传播算法的全连接深度神经网络进行分类尝试,实验结果显示利用relu与sigmoid作为激活函数时分类准确率为63%,使用tanh作为激活函数时分类准确率可以达到65%。为提高分类的准确率,本文利用自编码器对神经网络进行预训练,使模型的分类准确率达到了79%,提高了模型性能。