代码摘要是代码的自然语言描述,高质量的代码摘要能够帮助开发人员更好地理解软件并进行开发和复用,以减少软件开发的时间和人工成本。随着深度学习在自然语言处理领域的应用愈发深入,将深度学习技术应用于代码摘要自动生成任务中逐渐成为新的研究方向,这对开发人员进行程序理解、项目维护以及代码重构具有重要意义。本文通过总结代码摘要自动生成的相关技术,研究如何将深度学习模型有效地应用到代码摘要生成技术中。在研究基于深度学习的代码摘要自动生成技术中,主要有一个问题亟需解决:与自然语言弱结构性相比,程序语言具有强结构性。因此,如何充分利用代码的结构信息和语义信息以生成充分、完整的代码摘要是自动生成代码摘要的关键问题。最为常见的解决方法是将代码文本通过解析器转为抽象语法树,然后对其进行遍历再通过循环神经网络的编码器进行编码。得到代码的上下文向量后输入到解码器进行解码,最终根据概率分布输出相应的代码摘要。然而传统的“编码器-解码器”模型难以解决长期依赖问题,并且对程序的语义和结构信息的独立编码并没有考虑二者之间的联系。针对当前的基于序列到序列研究方法忽略代码文本与结构信息之间的关系的问题,本文选择Transformer模型中提出的自注意力机制来解决长距离依赖问题。其原理是利用注意力机制动态生成不同的权重,从而处理长序列,因此可以准确捕获长距离依赖关系。针对结构信息和语义信息单独编码会导致二者关系信息被忽视的问题,本文提出了将程序转为数据流图并作为模型的输入序列的方法,该方法充分考虑了程序的变量之间的依赖关系。结合上述的解决方法本文提出了基于Transformer的CStrans代码摘要生成方法,其摘要生成步骤如下:首先对代码和摘要进行预处理。相较于诸多方法中,将代码解析为AST的预处理方法,本文在预处理阶段选择从AST中提取变量以及变量之间的依赖关系构造数据流,这样当有相同变量名称却表示不同语义时,可以通过数据流表明依赖关系。然后将含有语义信息和结构信息的序列通过Transformer模型的编码器进行编码、解码器进行解码后生成对应的代码摘要。本文以DeepCom的Java数据集为实验数据,选取了数据集中收藏数量前10的项目进对本文提出的方法进行了多次实验验证。实验结果表明,与其他代码摘要生成方法相比,本文提出的方法对于代码摘要自动生成性能有较好的效果。