近年来,随着互联网行业的高速发展和开源软件、开源社区的兴起,网络上出现了大量的代码仓库,特别是一些被高频访问的在线搜索网站,例如Github等,其中包含了大量供开发人员复用的代码和项目资源。当开发人员需要完成一个编程任务却不知道该调用哪些函数时,代码搜索与复用就成为了解决上述问题和提高软件开发效率的捷径。如何有效帮助开发人员从候选的代码库中搜索与指定编程任务相关的代码,已成为软件工程重要的研究领域之一。早期的代码搜索模型把代码看作文本词语,利用信息检索技术,将自然语言查询与候选代码的文本执行关键词匹配来查找目标代码。对于这类模型,只有当查询和代码之间存在一定数量的共有关键词时,才较可能搜索到匹配的代码。由于查询和代码互为异构语言,因此搜索效果往往不理想。近年来出现的联合嵌入模型,虽然用向量相似度代替了关键词匹配,却忽略了代码和查询之间的语义关联。为了挖掘二者之间的语义关联,本文将共同注意力机制引入代码搜索模型。同时,在共同注意力机制的基础上,对代码和查询实施两阶段注意力机制,通过提升表征学习的效率和质量进一步提升模型的搜索性能。本文的主要工作如下:（1）阐述了代码搜索的研究背景及意义,介绍了其研究进展,分析了现有代码搜索模型的局限性,提出了提升搜索性能的算法思路。（2）提出了基于共同注意力机制的代码搜索模型CARLCS-CNN。用卷积神经网络、长短期记忆网络实现代码和查询的嵌入表征,用共同注意力机制对代码和查询进行语义感知。该模型在一定程度上缓解了关键词失配的问题。（3）在共同注意力机制的基础上提出了基于两阶段注意力机制的代码搜索模型Tab CS。该模型以两阶段注意力机制为主体,代替了传统的深度学习嵌入结构。通过注意力机制过滤停用特征词,筛选语义关键词,借助两阶段的双重权重分配对代码和查询进行语义挖掘和交互。（4）在Deep CS、Deep COM、Code Search Net三个大规模开源数据集上分别对CARLCS-CNN和Tab CS进行了大量实验,通过实验结果进行分析,证明了本文所提的共同注意力机制和两阶段注意力机制的有效性。