近年来随着软件系统规模的扩增以及面对需求进行版本的更迭,规模不断扩大的代码已成为程序员开发和维护系统的挑战。由于代码具有抽象性,复杂性和可变性的特点,阅读时他人的代码时会存在一定的困难。代码摘要为代码执行的功能提供了高级自然语言描述,有利于软件维护、代码分类和检索。但是现有大多数代码的摘要往往需要开发者自己撰写,随着软件系统的版本迭代,代码摘要往往会出现不匹配,错误或者更新不及时的问题,导致了在后期开发和维护过程中需要巨大的人力成本来理解现有的代码。人工代码摘要解决不匹配的问题存在工作量大的问题,所以需要自动代码摘要。目前对于代码摘要的自动生成研究除了传统的基于模板、基于信息检索的方法以及基于概率模型的方法以外,主要基于深度学习技术中的CNN、RNN网络,根据概率模型,提取代码文本的特征,通过解码器对特征向量进行解码从而生成代码摘要。但是这些方法往往将源代码视为纯文本,忽视了许多代码相关的知识,效果较为有限。API对应的功能描述、API相关的问题描述等代码知识,往往可以反映出代码对应的功能和使用方法。然而这些知识往往存在于多种不同的资源当中,如何从不同的数据源当中提取知识并将他们融合在一起是一个挑战,在获取到相关代码知识之后,如何利用这些知识来辅助代码生成任务,使其达到更好的效果也是需要不断研究的工作具体来说,针对以上的问题,本文的主要工作如下:首先,本文设计算法分别从源码,API官方文档以及Stack Overflow问答数据中抽取Java代码相关知识,建立对应的代码知识库。并为了可扩展性,在人工标注数据集上,使用三种实体识别模型识别API实体,并设计数据融合方法构建了一个Java代码知识图谱。其次,在构建完成Java代码知识图谱的基础上,改进了传统的Seq2Seq模型,设计了一种基于代码知识图谱和混合注意力机制的代码摘要模型,在开源数据集上进行试验,验证了模型的有效性。最后,借鉴迁移学习方法,设计并实现了一个基于迁移学习和代码知识图谱的代码摘要模型,从而进一步提高了代码摘要的质量。