数字化浪潮推动互联网行业飞速发展,开发人员数量的增长速度远低于软件需求的增长速度。因此,研究人员和工业界将目光聚焦智能化编程,希望通过低代码的智能化编程极大地提高软件开发速度、效率和质量。现有的代码生成研究有两个重要的方法:模型驱动的代码生成方法和深度神经网络的代码生成方法。然而,前者需要复杂细致的建模才能得到功能上复杂的代码;后者难以生成结构性复杂的代码,这些问题限制着代码生成的发展。针对上述问题,本课题提出模型驱动和深度神经网络结合的代码生成方法,目前尚未查到将二者结合起来综合利用的相关研究,该方法是本文首次提出的。为了得到模型驱动生成的逻辑框架代码。本文提出了基于活动图的代码生成方法。选择活动图作为代码需求建模的图形,把建模后得到的活动图形式化,将其转化为对应的需求逻辑代码,同时给出生成Python代码的特定算法。采用动态编译运行的方式,测试生成的Python代码。为了得到深度神经网络模型生成的细节功能代码,本文提出基于Action序列深度学习的代码生成方法。将给定的自然语言描述通过深度神经网络模型预测其对应的Action序列,然后将其转化为Python代码。对于人工标注、代码粒度较小的数据集,在Co Na La数据集上BLEU提升到24.2%,在Django数据集上Accuracy提升至77.5%,明显优于目前具有代表性的方法。为了研究在已有大量知识可用的场景下的效果,本文提出信息数据检索增强的预训练代码生成方法,检索与自然语言描述相关的top-5代码片段微调PLBART预训练模型。在大规模、代码粒度较大的Text-to-code数据集上BLEU、Accuracy指标分别提升至17.68%、13.81%。分析发现检索得到的代码片段的相关性,会极大地影响预训练模型生成代码的正确性。同时,由于现有数据集的局限性,基于Action序列深度学习的代码生成方法在该类数据集上生成代码的质量较差。通过案例分析的方式,评估了模型驱动和上述两种不同深度神经网络相结合的代码生成方法,发现模型驱动和深度神经网络结合的代码生成方法可以降低模型驱动建模的复杂度以及神经网络代码生成的长距离依赖问题。另外,在人工标注、代码粒度较小的数据集上基于Action序列深度学习的代码生成方法更优;在大规模、具有大量已有知识可用的场景下信息数据检索增强的预训练代码生成方法更好。