随着互联网技术的发展和开源社区的兴起,开源代码的数量急剧增加,从开源社区中发掘出有用信息需要耗费大量的时间和精力。自动摘要技术广泛地应用于文本主要内容的获取,但针对代码的相关技术研究较少。本文使用深度学习思想解决这一问题,利用卷积神经网络(Convolutional Neural Networks,CNN)模型提取代码特征,从而缓解信息爆炸带给人们的时间精力问题。本文对代码自动摘要问题进行了分析,将问题拆分为代码特征提取和摘要自动生成两个子问题,结合深度学习中端到端的模型设计思想,在设计模型时综合考虑这两个问题,提出了一种基于深度学习的代码自动摘要模型。本文首先对代码特征提取问题进行了研究,本文使用门控卷积神经网络提取代码的文本特征,在门控卷积神经网络中,对输入元素添加位置信息以获取序列中词的位置,引入门控线性单元使模型可以选择对预测有益的词或者特征,利用残差连接解决梯度弥散问题。本文使用抽象语法树卷积神经网络提取代码的结构特征,在抽象语法树卷积神经网络中,使用Tree-Based CNN和Pre-Order CNN相结合的方式,获取语法树中节点的完整信息。本文其次对摘要自动生成问题进行了研究,使用长短期记忆网络(Long Short Term Memory Network,LSTM)学习中的短序列信息。在模型中引入了注意力机制,有效解决了编码器将源句子中的所有信息编码成固定长度矢量的负担问题,从而保留了更多的编码器特征以便于解码器使用。为了验证代码自动摘要模型的可靠性,本文与统计机器翻译模型、基于深度学习的多文档自动摘要模型以及序列到序列模型(Sequence to Sequence,Seq2Seq)和基于卷积神经网络的序列到序列模型(Convolution Sequence to Sequence,Convolution Seq2Seq)两个经典的机器翻译模型进行对比,证明了代码自动摘要模型是有效可靠的。