函数名称预测是代码分析中的一项重要下游任务。优秀的函数名称可以增加程序或者代码的可理解性,帮助开发人员轻松的理解他人的代码,这对软件产品的扩展和维护至关重要。近年来,研究人员提出了大量不同的函数名称预测模型,而随着机器学习的发展,函数名称预测方法逐渐从传统的代码分析方向转变到深度学习代码表示上,各种基于机器学习的函数名称预测工具层出不穷。但是在利用机器学习的模型完成函数名称预测任务上,仍然存在两个方面的问题:一是无法很好的完成跨越不同项目的函数名称预测任务,普通的方法只能完成同一项目下的预测任务;二是函数名称库的局限性,导致各种方法预测的准确率较低。因此本课题针对以上两个问题,提出了基于大型函数语料库的跨越不同项目的函数名称预测模型。在本课题中,我们首先提出了从Git开源仓库中提取大型函数语料库的方法。通过本文设计的函数提取工具,本文提取所有满足条件的开源项目中的函数,然后经过数据清洗和函数过滤后,构建了大型函数语料库。接着本文利用自然语言处理方向的Skip-gram模型,完成了代码Token的向量预训练任务。为了很好的用向量表示代码,即code2vec任务,本课题提出了基于函数名称监督训练代码向量的AttBiLSTM模型。同时为了加速模型训练和提高预测的准确率,我们使用TF-IDF算法分析代码中的关键Token,并建立起不同Token的候选函数名称集合,在模型效率和预测准确率上都有了很大的提升。最后本课题基于提取的大型函数语料库进行了充分的实验对比。实验结果表明,在函数名称预测任务中,无论在模型效率还是预测准确率上,本课题的预测方法都优于目前其他先进的方法。