程序自动修复技术是降低企业用于程序缺陷修复的运维成本、将软件开发者从繁重的缺陷修复工作中解放的关键技术。深度学习技术的兴起给程序自动修复领域提供了新的思路。近年来,深度学习技术已经广泛应用于程序自动修复领域。主流的基于深度学习的程序自动修复方法应用神经机器翻译模型,将存在缺陷的程序端到端地将翻译为正确的代码以完成修复。然而这类方法主要采用了序列和树的表示方式表示源代码,由于编程语言本身存在语义依赖范围大、变量命名自由等特性,序列化的表征难以表达长距离语义依赖,而基于抽象语法树的表示方法则由于树中存在大量虚拟结点带来冗余。这类方法选取的代码表征方式会直接影响翻译模型的学习效果,使得模型难以学到深层次的代码语义。本文针对基于神经机器翻译的程序自动修复方法中存在的代码表征问题和模型适用性问题,提出了两种基于图的程序自动修复方法,应用程序静态分析技术生成程序图,并基于图的形式表征代码。另一方面,为了适应图形式的输入,使用基于图神经网络的编码器替换传统神经机器翻译模型中的序列编码器。本文的工作主要包括以下几个方面:1)提出了一种基于图代码表征的方法级程序自动修复方法。该方法基于抽象语法树的优化程序图表征代码,以保留源代码丰富的语法语义信息,并针对图形式的表征引入了图到序列学习从而在保留完整图结构信息的条件下端到端地为缺陷方法生成缺陷方法补丁。在Java基准数据集Defects4J上的实验表明,该方法能够修复34个缺陷方法,在方法级缺陷修复任务上优于基线方法。2)提出了一种基于图代码表征的语句级程序自动修复方法。该方法使用一种多语义关系融合的程序图表征代码,并构建了基于关系的图卷积神经网络编码器以建模多种语义信息,从而在模型学习的过程中保留了源代码多种复杂语义信息。在Java基准数据集Defects4J上的实验表明,该方法能够修复38个真实缺陷,并在语句级缺陷修复任务中表现优于基线方法。3)部署了一个在线程序自动修复系统,该系统能够提供对缺陷程序的分析,并针对存在缺陷的程序代码粒度的不同提供不同的修复方案,辅助开发人员理解缺陷程序并完成缺陷修复任务。