互联网的水平高速发展,以及深度学习技术在各应用上的突破进展给软件工程领域带来了新的机遇,但同时也对软件项目开发的效率和质量提出了更高的要求。代码搜索已经成为软件工程中的一个重要领域,随着诸如GitHub及Stack Overflow之类开源社区规模的快速增长,使得研究者们更可能从中搜索到符合自身需求的代码段并在项目中进行复用,但代码实现的日益复杂和多样化也给这种精细化的代码搜索带来了很大的挑战。已有的代码搜索方法的局限性在于没有选取合适的特征来表达代码中的精确语义,以及缺乏多特征的有效融合,无法达到足够好的搜索效果。基于上述问题,本文提出了一种全新的基于IR（代码中间表示）的代码表示方法,该方法能够有效融合代码中的数据流、控制流以及关键词语义特征,使得功能相似的代码段能被表示成相似的形式,功能不同的代码段则表示有明显差异。课题的主要工作包括:（1）提出了一种语义表达上更精准的结合了代码中的数据、控制流信息的代码表示方法,同时基于该方法实现了代码搜索模型DeGraphCS。本文首次将数据流信息的表示引入代码搜索领域,同时提出了基于变量的数据、控制流图的代码表示方法。（2）明确细化了基于变量的流图构造方法,以及如何有效地将多种语义信息融合表示到一张图中,进一步地,本文还设计了一种图优化方法来精简该流图,提高效率的同时也能在输入图神经网络后得到更准确的代码向量表示。（3）本文从GitHub中爬取筛选出了 41152对C语言＜注释,函数代码段＞对作为数据集进行模型的训练和测试,且复现了多个近年来在软件工程顶级会议上发表的代码搜索方法,包括DeepCS、UNIF和MMAN,同时实现了多个对比模型用作后续对比实验。在实验评估中,自动评估的结果表明DeGraphCS模型远超第二好的代码搜索模型MMAN效果,其中在MRR这一指标上增幅是19.14%,在SuccessRate@1上增幅达到了 26.43%,除此之外,本文还通过在线搜索对多个模型进行了人工评估,结果依旧表明DeGraphCS模型有着最好的搜索效果。本文设计回答了 6个研究问题,从各方面验证了提出模型的有效性、鲁棒性以及实用性。