随着计算机技术的飞速发展,人们对新软件的需求呈现爆炸式增长,但是现有软件的开发速度远远落后于人们对新软件的需求速度,为了缓解这种情况,代码自动生成技术应运而生。代码自动生成技术可以辅助开发人员进行软件开发,减轻开发人员的编码负担,缩短软件的研发周期,目前研究人员提出了许多代码自动生成方法。本文首先对当前代码自动生成技术和用于代码生成的神经网络架构的现状进行了分析,而后分析了目前基于深度学习的代码自动生成方法存在的问题和挑战,着重关注了提高代码自动生成准确率的可行方法;然后,对一种完全基于注意力机制的新型神经网络结构（Transformer）的各个组成模块进行了详细介绍,并将其与传统的RNN、CNN等神经网络结构进行了深入分析和比较,总结归纳了Transformer结构在代码生成上的优势。基于此结论,本文首次提出了一种基于Transformer的代码自动生成方法,并设计实现了基于Transformer的代码生成工具,该方法将Transformer结构与编码器解码器结构的优点结合起来,进一步优化了模型结构,提高了模型的训练速度;最后,本文通过在代码自动生成的三个典型数据集上进行实验,并与以前的方法进行比较,表明本方法能够有效地提高代码自动生成的准确率和BLEU分数,并在JOBS数据集上实现了最高的生成准确率。代码自动生成可以有效地帮助开发人员进行软件开发,所以代码自动生成技术效率的提高可以进一步缩短新软件的开发周期。本文提出了基于新型深度神经网络结构——Transformer的代码自动生成技术,可以有效的提高代码自动生成的准确率和BLEU分数。