自然语言代码搜索在软件开发中起着重要作用,它允许程序员以自然语言进行查询,并从Internet或源代码库中获取代码片段。但是,在现有代码搜索方法选择和新技术研究时往往存在困难,因为（1）现有代码搜索方法的实现和评估它们的数据集通常是不公开的,无法选择适合当前场景的代码搜索方法;（2）有些代码搜索方法可能会利用训练数据集或辅助数据源,因此如果没有这些数据集/数据源,就无法真正实现搜索方法,并证明其有效性。（3）尚未发现对各种代码搜索方法的有效性进行广泛评估的实证研究。（4）当前代码搜索方法在性能上还有提升空间。在此背景下,本文构建了基准数据集,复现现有代表方法,进行实证研究,并基于实证研究的结果提出了新的代码搜索方法。具体研究工作包括:1.基准数据集构建。本文设计和构建了代码搜索评估数据集CosBench,该数据集由1000个项目,52个与代码无关的查询以及4个用于评估代码搜索方法的指标组成。2.现有代表方法复现。本文选择了六种具有代表性的代码搜索方案,包括四种基于信息检索的方法和两种基于深度学习的方法,进行了复现。3.实证研究。本文在CosBench上评估了六种代码搜索方法。结果清楚地表明了CosBench数据集的可用性和每种代码搜索方法的优劣势。此外,本文还发现基于深度学习的代码搜索方法更适合用于重用代码的代码查询,而基于信息检索的代码搜索方法更适合用于解决错误和学习API使用的代码查询。4.新方法研究。基于实证研究的观察,本文研究与设计了一种基于查询意图理解的混合代码搜索方法IntentCS。该方法对输入的查询进行查询意图理解,混合了基于信息检索和深度学习代码搜索方法,相对于基准方法,IntentCS获得了最好的搜索性能。