随着成千上万的开源项目逐渐变得可用和开放生态的越来越完备,在软件开发的过程中,代码搜索起到的作用越来越突出。然而,由于程序语言的语言特性和开发者在开发过程中编码习惯的不规范等因素,自然语言和程序语言之间存在语义失配问题。这种语义失配问题在软件开发的过程中严重影响了开发者的工作效率,一方面导致在进行检索时难以获取符合自己需要的代码段或API,另一方面也导致难以理解他人编写的代码。目前,研究人员将自然语言处理技术应用到软件工程任务中,提出了许多先进的方法进行代码段和API的搜索以及对代码进行摘要。本文针对以上问题展开研究,深入分析自然语言和程序语言之间的语义失配问题,帮助开发者更高效地进行信息检索和代码理解。本文的主要工作包括如下两个方面:（1）为了帮助开发者进行API检索,本文提出一种结合语料库全局统计信息和局部上下文信息的API推荐方法。该方法首先将源代码转换成对应的抽象语法树（Abstract Syntax Tree,AST）,并对AST进行遍历得到API序列,其次对代码注释和API序列进行预处理,然后训练LDA主题模型和Glo Ve词向量获取单词和API的条件概率分布和词向量,最后根据主题概率分布和词向量计算单词和API之间的相似度。在利用局部上下文信息训练Glo Ve词向量时,本文使用随机打乱策略提高单词和API出现在一个窗口中的频率。基于真实数据集的大量实验结果表明LDA-Glo Ve在top-1的结果能达到0.82的成功率,在top-10的结果就已经能达到1.0的成功率,当推荐100个API时,LDA-Glo Ve仍然能在Precison、MRR和NDCG上达到0.465,0.822和0.846,分别比最先进的方法高出3.9%,8.7%和5.8%。（2）为了帮助开发者理解他人编写的代码,本文提出一种结合API文档的代码摘要生成方法AD-Code Sum。该方法首先将源代码转换成AST,并对其进行遍历得到API序列,其次获取API序列中API对应的API文档,最后基于Transformer训练神经机器翻译模型,将代码翻译成自然语言语句。在训练模型时,本方法利用特征选择算法对API文档进行特征选择,提取API文档中包含语义信息的特征词。基于真实数据预计的大量实验结果表明,AD-Code Sum在BLEU-1/2/3/4上可以达到38.7%、29.1%、23.2和20.2%,比最先进的方法要高出3.4%、2.3%、2.2%和0.2%。并且在METEOR和ROUGE-L上也能达到18.4%和43.1%,分别比最先进的方法高出2.2%和3.9%。