随着软件技术的迅速发展,软件规模越来越大,所涉及的知识领域也越来越多。如何有效提升软件开发效率成为程序开发人员必须面对的重要问题。发掘互联网上各类程序员在线问答网站上已有的高质量代码片段和对应的自然语言描述并利用它们构建代码仓库,不失为一种较为高效可行的方法。高质量代码片段指能够独立解决问题的代码片段。提供与代码问答系统相结合的高质量代码片段仓库,开发者便能在有需要时即时搜索相关代码片段并插入到自己的工程中使用。既缩短了编码时间,又提高了代码的可靠性。然而,构建高质量的代码仓库和代码问答系统也面临着诸多难题。其中核心的问题有两个,即高质量代码问答对的挖掘与问答系统相似问句的检索。在高质量代码挖掘方法上,目前多为人工进行筛选挖掘,这是一项费时费力的工作。在传统代码问答系统中,具有相同或相似的问句之间通常具有文本的不匹配。传统的基于文本匹配的检索难以满足我们检索语义相同的问题的要求。同时,基于语义匹配的算法效率通常低下。针对以上问题本文做出了以下工作。首先,我们收集了在线问答网站Stack Overflow上的Python语言的问题答案对,并提取了其中“How to do it”类型的问句及其Accepted Answer。并训练了一个基于GRU单元的双向循环神经网络的分层网络用于识别Accepted Answer中的高质量代码片段。我们使用这个分层网络对Stack Overflow上所有的Python语言“How to do it”类型的Accepted Answer中的代码片段进行挖掘,并获取了相当数量的高质量代码片段及其对应的问题。其次,我们研究了文本匹配级别与语义匹配级别的问句相似度计算,以及在语义级别上基于问句表示的相似度计算方法。然后我们将第一步挖掘到的高质量代码片段中的问句保留其与代码片段的映射关系进行存储,并根据问句相似度计算所需要的信息计算出问句库及单条问句的各项信息并保存。我们通过计算用户输入的问句与库中储存的问句信息快速计算输入问句与库中问句的相似度并返回满足要求的问题及其代码片段,以达到自动问答的目的。最后,我们根据上述理论设计并实现了高质量代码自动问答系统,并对这系统进行了测试。