在软件的开发和维护过程中,每天会有大量的代码变更被提交到版本管理平台中,而阅读和理解代码的变更是软件开发过程的必要工作,人工的对于变更代码差异的识别也越来越困难。当今软件功能的需求越来越多样化,软件的体系结构也随之增大,如果能够对代码的变更进行自动差异比较分析,则能够将代码变更的差异从源代码中分离,有助于对代码变更的阅读和理解,同时有助于开发人员研究代码变更中相关问题,有利于理解软件演化的过程。当前人工理解代码变更主要在文本差异化分析（textual code differencing）工具提供的Hunk集上进行,而有些工具还对每个Hunk进行二次差异化分析,并将结果展现在并排（side-by-side）的视图中,从而方便用户查看Hunk内部的变更。然而现有的二次差异化分析工具得到的结果普遍存在语句失配问题,即Hunk内部删除行与添加行之间的不恰当匹配以及配对的语句内部Token的拆分问题,影响理解事实的变更。首先,对代码差异失配问题的分布进行了调查研究,事实证明了该问题在二次差异化分析中的普遍性;然后,对该失配问题产生的原因进行了分析,并提出了一种对其改进的算法;最后,在设计的基于Eclipse插件的展示工具中将结果进行差异展示,并对该算法工具在开源项目上进行了实验验证。该算法基于轻语法分析,首先对版本源文件进行粗粒度上的文本差异化算法的分析,得到版本源文件的变更Hunk集,然后将集合的每一个Hunk中的文本行映射为语句行,并将语句行识别为基于单词（Token）的序列,其次对所有的删除语句和添加语句进行相似性匹配,对于匹配的语句应用最长公共子序列算法获取其内部的差异单词（Token）。在语句间相似性匹配和语句内差异化分析时均是以一个单词（Token）为最小比较单位。算法当前采用Java语言实现,并在一个自制的eclipse展示插件中对其结果予以展示。通过在五个开源项目上的实验,证明了该算法可以有效克服Hunk内语句行之间的失配以及Token的拆分问题。差异分析结果表明,该算法的整体的差异分析的准确率在83%～87%之间,其中对于Kdiff3工具分析存在问题的数据的准确率在70%～78%之间,同样对Beyond Compare4的准确率在71%～76%之间。