随着信息技术的迅速发展,人们对于软件功能和开发效率的要求与日俱增。程序合成旨在自动生成满足给定规约的程序,作为应对该挑战的一种重要技术,近年受到越来越多的关注。在程序合成的研究领域中,基于示例合成（Programming by Examples,PBE）,也称作归纳合成（Inductive Synthesis）,以用户提供的输入输出示例作为合成程序的规约,因为其简洁性与易用性等优点被应用在数据整理、代码修复等众多领域。目前对于PBE问题的求解方法是以输入输出示例作为约束,在领域特定的程序语言空间中搜索目标程序。一方面,程序语言的搜索空间十分巨大,因此如何高效地定位目标程序是解决PBE问题的重要研究工作。另一方面,PBE问题通常要求用户提供尽可能少量的输入输出示例,这为自动合成符合用户期望的程序带来了一定的挑战。本文研究分析了PBE问题所面临的上述挑战,主要包括输入输出示例存在的局限性导致的程序合成的可扩展性较差,以及输入输出示例的歧义性导致合成程序不唯一等问题,并在此基础上提出了一种基于神经网络引导的函数式程序语言的程序合成方法。该方法通过预训练的神经网络模型指导符号系统mini Kanren进行演绎推理搜索,实现函数式语言程序的合成。函数式编程范式由于其安全、简洁和模块化等优点,目前被多种主流高级语言所支持。另外,也逐渐被用于区块链平台的项目开发中。本文的具体研究工作包括:1.提出了一种离线的监督学习方式用于训练神经网络引导的程序合成模型,并设计了若干简单且有效的策略以生成高质量的数据集,进而保证模型训练的精度。2.提出了综合建模多种问题属性的特征嵌入表示的策略,通过在关系约束的基础上加入了部分程序以及状态树上下文信息的嵌入表示,进而使得神经网络模型对搜索路径进行预判时能够更加精确。3.基于三种常用的高阶组合子,构建了递归程序的关系约束解释器。通过该解释器,使得本文提出的程序合成模型能够对一些具有挑战性的递归程序合成任务进行求解。4.通过详尽的实验对提出的程序合成模型进行性能的评估,并与具有代表性的递归程序合成工具进行了较为全面的实验比较。实验结果表明,本文提出的程序合成模型在递归程序与非递归程序合成的任务上均有不错的表现,并在某些递归程序合成的任务上,相比于比较基准的程序合成工具体现出了一定的优势。