代码摘要是代码功能的自然语言描述,高质量的摘要能够有效帮助代码的理解和软件的维护工作,代码摘要一直是软件开发中重要的组成部分。然而,在软件工程中,代码缺少摘要导致代码维护工作困难是困扰工业界已久的问题,因此研究如何通过代码自动生成对应的代码摘要具有非常大的研究意义和应用价值。在代码摘要的研究中,我们的主要工作是尝试解决两个问题:问题1,代码是一种强结构化的语言,这和弱结构化的自然语言十分不同,如何充分利用代码的结构化语义信息是代码摘要任务的关键问题;问题2,代码中的变量名,方法名等单词是一种开放性的单词,常规的自然语言处理方法(如使用<UNK>代替低频词)会导致大量的词典外单词的问题。在本论文中,我们对现阶段有关自然语言处理和代码摘要的相关工作进行研究,提出了基于注意力机制的Graph2Seq代码摘要模型。论文的主要贡献点在于,1.为了克服现有的关于基于抽象语法树遍历的代码摘要模型存在的问题,本文提出了一种基于注意力机制的Tree2Seq代码摘要改进模型。2.在此基础上,本文参考当前关于代码和图深度学习的相关研究,在代码的抽象语法树上增加数据流等语义信息,将代码进一步拓展成代码图(Code Graph)的结构,进而提出了基于注意力机制的Graph2Seq代码摘要模型。3.针对于代码中变量名等开放性单词,我们在代码摘要任务中对这类单词使用字节对编码算法将其拆分成子单词,并将子单词添加到代码图中,解决了开放性词表问题。