计算机技术的飞速发展对各行业的研究和生产起到了巨大的推动作用,而计算机编程作为其中不可或缺的工具被越来越多地投入生产和使用。出于对大量计算机程序生成和维护的需要,代码智能应运而生,代码自动修复是其中的一个重要分支。代码自动修复旨在在没有人工干预的条件下,利用计算机程序自动修复代码中存在的语法或语义错误。随着深度学习的发展,研究者们出于自然语言和编程语言的共通性,利用自然语言处理方法解决代码自动修复问题。现有的研究大多缺乏对代码层次结构的挖掘,更缺少对代码语法规则的提取。另外,模型输出结果的语法错误也是影响任务发展的因素之一。上述问题既是代码自动修复发展的重点研究方向,也是研究的难点所在。本文在上述难点的基础上进行研究,主要工作包括:第一,针对现有的深度学习模型仅考虑到输入代码的序列信息而缺乏对代码蕴含的层次结构信息进行建模的问题,本课题在序列到序列深度模型的基础上,进行了对于代码结构层次化信息的挖掘。模型使用规则作为基本元素,提取代码中的抽象语法树结构作为挖掘对象,从节点的位置向量和基于节点距离的自注意力机制两个角度,分别进行了对于节点在语法树中深度信息和距离信息的挖掘。实验证明,挖掘代码层次结构化信息的模型比仅仅考虑代码序列信息的模型更好地学习了代码的结构,在开源数据集上取得了更好的效果。第二,针对现有的深度学习模型对代码蕴含的语法规则信息理解不足的问题,提出了同时编码词汇和规则的模型。一方面尝试在规则词向量中融入词汇词向量信息,另一方面通过两个编码器分别编码词汇和规则,并在编码过程中进行基于规则和词汇联系的注意力计算,更深度地学习到规则之间的关系。在解码器端则使用不同的交互注意力策略。在开源数据集上的实验证明,同时编码词汇和规则的模型在性能上优于仅编码词汇或仅编码规则的模型。第三,针对现有深度学习模型的输出结果可能不合语法规则的问题,提出了基于抽象语法树的集束搜索算法,在解码阶段利用已生成的节点构造抽象语法树,并通过对节点指针的维护限制下一步节点的预测,使输出结果更符合标准语法规范。另外,针对现有评测指标的问题,分别从语法和结构维度提出了新的评价指标作为辅助。实验证明,基于抽象语法树的集束搜索算法很好地规避了低级语法错误的产生,并在一定程度上提高了模型的性能。