近年来,软件开源使得开发者可以方便地通过分布式版本控制工具进行协作开发,但同时开发者往往会花费大量时间去理解其他开发者在同一项目上的代码贡献。为此,在分布式协作开发环境下,代码文档（如代码注释和代码提交信息文本）具有非常重要的作用。目前还没有一个完备且要求开发者必须遵守的编写文档规则,并且不同开发者有着不同的开发习惯和编码风格,所以代码文档往往存在着缺失、质量低下等问题。这将严重影响开发者的协同开发效率,甚至影响软件生态系统演化速度。本文工作致力于改进开源软件生态系统中代码文档稀缺或质量低下等问题,辅助开发者更快地理解代码意图,保证协同开发效率和软件质量。围绕Java开源软件生态系统中代码注释和Git提交文档的自动生成问题,本文的主要贡献有:（1）针对代码注释稀缺或质量低下的问题,提出了一种基于程序分析和循环神经网络的代码注释生成技术,并实现了工具Deep Propagate-NL。首先使用程序分析技术提取软件源代码中方法结构信息;接着基于JVM字节码构建调用关系图并设计约束进行注释传递;随后构建基于循环神经网络的序列到序列深度神经网络模型,将传递给调用方法的注释与代码信息同时作为训练输入,自动生成自然语言代码注释。为了评估方法有效性,从Github上收集了727个Java项目,经过注释传递后形成超过170000条数据集,在实验中与两个现有代码自动生成基线方法进行比较。实验结果显示,Deep Propagate-NL在机器翻译评估指标累计BLEU-4分数和METEOR分数为38.2%和26.4%,均高于现有基线方法。此外,实验中的人工审查工作验证了Deep Propagate-NL能生成质量较高的自然语言描述注释,相比基线方法,能更好地帮助开发人员进行代码理解。（2）针对开源软件生态系统中Git提交文档稀缺或质量等问题,提出了一种基于文件版本结构和循环神经网络的Git提交文档自动生成技术,并实现了工具Deep Commit。首先构建一个动宾模式过滤器,过滤掉提交文档中会对模型训练产生负向作用的数据;接着定义版本间代码变更的原子变更和提交事务,并基于文件差分技术提取形成提交事务文档;随后构建基于循环神经网络的序列到序列深度神经网络模型,将提交事务和提交文档作为训练输入,自动生成自然语言Git提交文档。为了评估方法有效性,从Github上收集了200个Java项目,经过过滤和提取提交事务后形成40000条数据集,在实验中与两个现有提交文档自动生成基线方法进行比较。实验结果显示,Deep Commit在机器翻译评估指标累计BLEU-4分数和METEOR分数为11.7%和9.1%,均高于现有基线方法。此外,实验中验证了基于动宾模式过滤器的有效性,案例分析表明了Deep Commit能生成质量较高的自然语言描述提交文档,相比基线方法,能更好地辅助开发人员理解代码变更。