随着信息技术的迅速发展,各种各样的应用软件已经融入到人们的工作与生活中,人们对于软件功能的需求也在日益增多。开发一套符合用户需求的软件涉及到的流程十分复杂,并且对于编程人员的专业水平有很高要求。因此,为了提高软件的开发效率和降低软件开发的技术门槛,自动代码生成技术应运而生。相比于传统的代码生成技术,基于深度学习的代码生成技术研究的是将自然语言内容描述转化为对应意图的程序代码,具有智能程度高、使用门槛低、适用范围广等优点。但由于自然语言与程序代码的结构差异性和这项任务本身所具备的复杂性,现有的神经网络代码生成技术仍存在着可应用性不强、单语数据利用率低等问题。考虑到仅从模型结构上的改进无法从根本上解决上述问题,本文将深度学习模型与信息检索技术结合起来,并引入对话、问答和传统代码生成领域的一些方法,来提高生成代码的准确性和可应用性。本文主要研究内容如下:（1）提出了基于命名实体抽取技术和检索技术的代码生成方法。为了进行该方法研究,本文首先通过手工标注、数据增强、数据合成等方法,构建一个带有函数、变量等实体信息的数据集,然后通过在Bi LSTM模型的基础上增加BERT词向量层和CRF条件约束层,实现实体信息的高准确率抽取,接着使用BM25信息检索算法获取匹配的模板信息,最后通过编写每种模板对应的代码生成逻辑实现自然语言到代码的转化过程。（2）提出了基于Code T5模型和信息检索技术的检索生成式代码生成方法。在Code T5模型的基础上引入了BM25稀疏检索技术和基于DPR模型的密集向量检索技术,通过自然语言输入到代码数据的检索过程,获取与目标代码相关的代码片段并与自然语言输入进行拼接融合,以让模型在训练和预测过程中带有更多的先验知识。实验表明,检索生成式模型在检索数据与训练数据相关性很高的情况下,能大幅度提高模型的代码生成能力。（3）建立了Text2Chart智能图表生成系统。利用构建的数据集和提出的代码生成方法建立了一个智能图表生成系统。通过结合web前后端技术,设计并实现了代码生成、图表生成等功能模块,以向用户提供智能、便携的服务。