随着信息化,数字化的不断推进,社会上各行各业不断产生大量代码来驱动业务的正常高效运转,例如金融领域的量化交易,财务报表的统计分析系统,军事领域各种武器设备的互联互通,作战指挥信息系统等。各种软件信息系统在各种行业里扮演着至关重要的角色,同时需要有大量人员来开发和维护这些系统的代码。但是由于各种原因,代码在开发过程中普遍缺乏充足的注释,随着时间的推移,面对复杂的系统,维护人员和开发人员首先要耗费大量的精力来看懂代码的意思。为此自动为代码生成注释,能够为维护和开发人员节省精力,提升效率。当前传统的代码注释生成方法主要是靠专业领域人员编写规则和模板,然后按照此规则来生成注释,或者是直接将源代码编码后输入到神经网络中直接生成注释。两种方法均有一定弊端,前者需要耗费大量人力来编写规则,且这些规则经常会在一些情况下失效,而且后者则面临生成内容有时无意义,如生成无效的重复短语等。针对这些问题,本文研究如何结合两者的长处,用一定的规则来约束指导神经网络的生成,来确保生成的注释富有意义且语句通顺。为此本文设计了一个双层的神经网络模型,第一层主要用来生成自然语言模板,该模板词汇表只包含最常用的词和一些词汇的类型单词,确保它足够简单,词汇量少,使得第一层模型能够容易的学习到生成模板的规则。第一层模型其输入为由源代码的词向量及其类型和位置向量拼接而成的特征向量,并且使用一层双向循环神经网络进行编码,然后用LSTM进行解码获得模板。第二层用来生成最终的自然语言注释,它的输入为第一层生成的模板和代码特征向量,然后同样使用一层双向循环神经网络进行编码,最后使用带有注意力机制和复制机制的LSTM网络作为解码器,输出代码的自然语言注释。在构建好模型后,我们在一个python数据集上进行了实验,我们的模型在三个主流的衡量指标上,BLEU,METEOR和ROUGE-L均取的了较好的效果,且相较于同期其它的方法,有一定提升。同时我们对模型进行了仔细地分析,探究了各个模块对最终效果的影响,结果表明,我们所提出的模板引导的结构对最终的结果贡献最大。