早期的研究员们将搜索语句与代码中的文本内容和结构信息进行匹配以实现代码搜索的目的。考虑到自然语言描述中反映的高级查询意图与代码库中源代码的低级实现之间的不匹配问题,近年来有人提出基于深度学习技术将代码功能描述和代码内容通过神经网络模型映射到同一高维向量空间进行匹配。然而现有方法通常是以单次搜索为目标,假设开发人员能准确描述代码功能,从而搜索出精确的代码匹配结果。随着软件系统的规模和复杂度不断提升,开发人员面对新的开发需求时,很难一次性给出较为准确的代码功能描述,以至于需要进行多次代码搜索,在完善代码功能描述的同时搜索出更符合的代码片段。为了解决上述问题,本文做了如下工作:（1）从GitHub开源代码仓库中收集并构建了代码搜索数据集query2code,并用于之后的模型实验,其中包含的属性有代码注释（即代码功能描述）、代码片段、函数名称、API调用序列。（2）提出了一种两阶段代码搜索方法,该方法以query2code数据集为基础数据,将代码搜索划分为两个阶段,第一阶段以代码功能描述描述为输入,输出准确率较高的代码片段辅助用户完善代码功能描述,在第二阶段以代码功能描述、函数名称、API调用序列作为输入,搜索出较为精确匹配的代码片段。（3）针对不同搜索阶段的特点对主流模型改进,提出了新的基于深度学习技术的代码搜索模型。第一阶段代码搜索选择结构较为简单的CodeSearchNet,将编码器从RNN、Bag Of Word改为了双向LSTM结构。第二阶段代码搜索基于结构复杂的deep CS,编码多维代码特征,并添加Attention注意力机制更充分的挖掘代码多维特征的依赖关系。此外,使用code Bert预训练向量分别初始化两个模型的Embedding层,引入了外部语义信息。（4）在本文收集的query2code数据集上与主流模型进行实验对比,结果表明cd Search1模型在准确率（Accuracy）指标上相对于CodeSearchNet有5.79%的提升。cd Search2模型在平均准确率（MAP）和归一化折损累计增益（NDCG）上相比于deep CS分别取得了2.6%和2.4%的提升,验证了本文所提模型的有效性。（5）基于本文提出的两阶段搜索方法和代码搜索模型结合web技术设计并实现了一个代码搜索系统,旨在为研发人员提供更有效的代码搜索服务。