代码的注释可以提高程序的可读性,有助于程序员高效推进软件的维护工作。因此,代码注释自动生成的工作具有重要的研究意义;然而,生成高质量的代码注释具有很大的挑战性,主要有两个方面原因:一是代码中包含很多封装好的类、函数方法等,隐藏了大量指导性信息;二是代码具有丰富的嵌套结构和复杂的调用关系,加大了理解的难度。本文综合考虑利用函数描述信息、代码序列信息及代码结构信息等,研究和改进基于深度学习的代码注释自动生成算法。论文主要工作包含以下三个方面:(1)实现了一个基于seq2seq框架的代码注释生成基准模型。代码注释自动生成的基准模型是利用双向循环神经网络对代码片段进行编码,学习代码的上下文信息,再生成对应的注释。其中,利用注意力机制为代码token分配相应的权重,通过解码算法对输出词表上的概率分布进行采样以生成可能性最大的序列。(2)提出了结合函数描述信息的代码注释生成算法。针对现有代码注释生成任务对函数文档信息利用缺失的问题,本文利用从python标准库和第三方库抓取的函数描述信息,提出了两种融合代码序列和函数描述信息的模型:一种是编码时将函数名称及其描述信息组合到一个新的向量中,以取代代码中函数token的表示;另一种是利用指针网络产生指向函数描述信息的指针,从描述信息中选择性复制可能作为输出的词,生成最终的自然语言注释。(3)设计与实现了结合结构信息的代码注释生成算法。针对代码注释生成任务中代码的语法结构信息利用不足的问题,引入抽象语法树来丰富代码语义信息。本文首先利用Tree-LSTM对代码抽象语法树结构编码,实现了基于Tree-LSTM网络的代码注释生成算法;进一步,本文设计了基于双向树编码器的代码注释生成算法,利用BiTree-LSTM编码代码的抽象语法树结构,以实现对树结构信息的双向利用。其中,我们设计了混合注意力机制来融合代码序列和结构表示,以更好地生成最终的自然语言注释。本文对提出的结合函数描述信息和结合代码结构信息的代码注释生成算法在公开的Conala数据集和Django数据集上做了一系列实验,实验结果表明,本文提出的改进方法明显优于基准系统。