随着产业互联网的高速发展,软件和互联网行业在近几年迎来了新的增长点。行业的发展加速了软件领域知识和技能的迭代,软件开发人员需要掌握大量的编程技能,当遇到编程相关的问题时,他们通常会通过搜索引擎在编程问答网站（例如Stack Overflow）上查找问题的答案。与通用领域的检索不同,软件领域的检索是高度专业化的,查询和文档内容中包含着专业术语和符号,这使得开发人员很难高效地定位他们想要的信息。为此,开发人员不得不通过增加编程语言或平台限制、删除查询中的特异信息等方式重构他们的查询。对于新手开发人员来说,查询重构是困难的,对于熟练的开发人员来说,查询重构又是非常耗时的。本文希望提出一种自动化的查询重构方法来帮助开发人员实现高效且精确的查询重构,进而提高查询的效率和查询结果的质量。本文首先基于Stack Overflow上用户的活动日志进行了一项实证研究,研究结果显示软件领域的查询重构具有许多该领域特有的模式,但在重构过程中大多数情况下用户不会引入大幅的修改。基于以上发现,本文认为通过设计启发式规则来实现软件领域的查询重构是费时且易错的,相反,这些不涉及大幅修改的查询重构模式可以通过深度学习来建模。于是本文提出了一个基于深度学习的软件领域的查询重构模型,与先前的研究不同,模型采用端到端结构,并且是基于现实世界中大规模的软件领域查询重构语料训练得到的。此外,模型针对软件领域进行了优化,能够更好地建模软件领域查询的语义特征。本文从与用户手工重构的差异和查询的检索性能两个方面评估了本文方法的性能,对比五个目前最先进的基线方法,本文方法与用户手工重构结果更接近,在Exact Match指标上取得了5.6%到33.5%的提升,并且具有更高的检索性能,果显示85.7%的用户认为本文方法给出的查询重构结果完全符合预期或者超出了预期,剩余的14.3%的用户也认为重构结果基本符合他们的预期。最后,为了方便开发人员使用查询重构模型,本文设计并实现了一个用于软件领域查询重构的浏览器插件,插件可以为用户软件领域的查询提供若干重构建议,来自35位开发人员的用户调研结果证实了插件的有效性。