近些年,随着开源软件和开源社区的蓬勃发展,互联网诞生了诸多类型的在线问答平台供软件开发者使用。软件开发者利用这些在线平台来共享开源项目、搜索代码方案、解答开发疑惑、分享开发经验和学习开发技术等,以进一步完善项目的开发质量和提升自身的开发水平。如今,这些平台包含了数百万个开源项目和数亿行源代码可贡献大量的代码解决方案,这对软件开发活动中的概念理解、代码复用等起着至关重要的作用。本文将这类为开发者提供软件信息查询的在线平台叫做软件问答社区,将社区中发布的有关查询（通常为自然语言描述）和回复的内容（通常为包含上下文自然语言描述的代码示例）称之为软件问答对象。随着软件问答社区的不断演化,其涵盖的软件代码的类型和软件对象的数量也在不断增长。软件问答社区作为一种社交平台,所包含的软件问答对象通常具有短文本型、规范不足、复杂性高、噪声较多、动态性强等特点,这使得在软件问答社区中查找有效的代码示例还存在诸多挑战。针对这些挑战,本文构建了一个面向软件问答社区的代码查询匹配统一框架,提供了在软件问答社区查找最匹配代码示例的解决方案。具体来说,本文的工作可以分为以下四部分:（1）挖掘软件社区中的高质量软件仓库能够为查询语句扩展提供有效的扩展源。针对软件问答语料缺乏普适性和查询扩展过度的问题,结合无监督软件仓库挖掘Code MF算法,本文提出一种基于众智知识扩展查询的代码查询匹配CFCQ模型。（2）外部有噪数据预先训练学习的结构词嵌入有助于引入结构语义的先验知识。针对模型缺乏引入外部预先学习结构语义知识的问题,结合结构嵌入和双重注意力机制,本文提出了一种结构嵌入联合注意力的代码查询匹配NACQ模型。（3）关注软件问答对象的语言层次结构有助于挖掘查询与代码之间的交互信息。针对软件问答对象语义表示缺乏融合层次结构的问题,结合ONLSTM网络和专心池化操作,本文提出了一种有序嵌入联合专心池化的代码查询匹配SNCQ模型。（4）层次嵌入可以保留更多结构语义信息,降低RNN直接建模产生的信息损失。针对RNN直接嵌入软件问答对象产生语义损失的问题,结合自注意力和专心池化操作,本文提出了一种从局部到全局层次嵌入的代码查询匹配LGCQ模型。本文以主流的软件问答社区StackOverflow网站为例,收集了包含的申明式语言和解释性语言的C#、SQL、Python和Java四种软件问答对象的数据集。通过详尽的实验论证和结论分析,表明了本文所提出模型的有效性和准确性。