寻找学术论文的开源代码对于验证研究成果的优劣十分关键,直接影响了学术科研的效率和质量,因此,面向学术论文的代码质量评价方法的研究具有重要的意义。基于深度学习的代码质量评价方法以查询需求和代码的特征信息作为输入,依托深度学习模型对代码的质量进行评价,近年来得到了广泛关注。目前的研究在对代码片段的质量评价上取得了较好的成果,但在存储库的质量评价方面仍有较大的优化空间,特别是相关性、可用性和权威性等方面依然存在不足。为此,本文针对这些问题开展了研究,进行的主要工作有:首先,本文建立了三个代码质量评价方法。基于注意力机制的代码相关性评估方法,可以依据文章信息与自述信息来衡量文章与代码的相关性;针对搜索结果中的代码缺乏项目实施描述的问题,本文依据源代码信息与源代码描述信息,建立了基于注意力机制的代码可用性评估方法;本文还基于代码的关注者建立了代码影响力评估方法,用于衡量开源代码的影响力。其次,本文在代码相关性、可用性和影响力三个质量评估体系的基础上,建立了学术论文代码搜索模型,并在一个包含10K+的GitHub存储库的大规模数据集上对模型进行了评估,实验表明,本文提出的代码搜索模型在??@?,??@?指标上均取得了较好的表现,比GitHub现行的代码搜索算法具有更优的性能,??@1和??@10分别提高了0.13和0.98,保证了搜索结果的质量。最后,针对学术论文的开源代码,目前仍没有公开的数据集,为继续促进本领域的研究,本文构建了计算机学科学术论文与开源代码的关联数据集,共9225个关联对,本文通过数据采集和文档解析技术对学术论文和开源代码的数据进行了构建,并将数据集在GitHub开源供后续研究。总之,本文从代码相关性、可用性和权威性的角度实现了代码的质量评价方法,可以为学术论文的代码搜索提供有效的搜索方案和研究思路。