代码质量决定了软件的开发、维护成本。高质量的代码,具有可维护性高、鲁棒性强、扩展性好等特征,能够减轻大量开发者的时间和精力。对于编程学习者以及开发者而言,代码质量都十分重要。但是现在的编程教育,无论是传统的编程教育课堂,还是在线编程学习平台,都侧重于学习者的代码是否完成任务以及代码的功能性,而忽视了对学习者代码质量的评估和指导。这致使学习者编程质量缺普遍较低,学习者的代码质量水平与实际工业级软件开发要求的水平之间,存在着巨大的鸿沟。静态代码分析工具就是代码质量提升的关键技术之一,静态代码分析工具能够方便快捷的帮开发者定位到代码中的质量问题,从而提高代码质量。但是它却存在着提示过多代码警报的缺陷,这使得真正对开发者重要的代码警报不易被发现,大大降低了静态代码分析工具的“有效性”。为了使静态代码分析工具更好的发挥其作用,让开发者更节约时间和精力,也为了编程学习者能够得到对其代码质量更全面有效的指导。本文围绕着静态代码分析工具Sonar Qube的警报信息,对学习者代码质量的评估和指导从不同的角度展开了分析和研究,主要工作和贡献总结如下:第一,缺陷相关代码警报重要性评估方法。我们首先设计了一套自动化警报标注方法,包括通过SZZ算法,将项目中的版本分类为缺陷修复版本和包含缺陷版本,通过增量扫描的方式进行分析扫描,再进一步获取到对应行的警报。然后,我们以警报作为特征,版本类型作为分类值,使用三种分类模型算法,在共计约30,000个版本上进行实验,选择最优的Random Forest模型将其特征重要度作为警报排序的依据。该排序能为开发者修复警报时提供优先级参考,并为下一步的学生代码质量评估做出铺垫。第二,编程学习者的代码质量评估和指导方法。我们在前人的基础上,结合Sonar Qube静态代码工具中的警报类别,设计了一套以教学为目的代码质量分类模型。该分类模型包含6个一级分类和9个二级分类,我们以特定的规则筛选了61条Sonar Qube中的警报,将其依次划分到对应的类别。在分类的结果中,我们列举出了每一类中包含的警报,并对部分类别中的警报进行了实例分析。最后,我们将该分类体系具体的运用在线编程项目数据上,定量分析了学生总体的代码质量情况。该代码质量分类评估相比原有的类别,在同样适合静态代码分析警报的情况下,更符合学习者的认知特点。第三,在线编程学习综合能力评估系统设计。我们以Edu Coder平台为基础,围绕学生的代码数据、行为数据等制定了一套在线编程学习综合能力评估方法,该方法包含三种关键指标,分别是基础统计、代码质量评估和编程效率。然后我们设计了该系统的基本层次架构以及相应的界面设计。