现有的软件开发环境主要是集成开发环境(IDE),如Eclipse,Intellj和Visual Studio。软件开发环境的优劣很大程度上取决于它对程序员给出的提示的准确率,现有的方法主要是使用概率模型或者上下文无关文法来实现的,本文主要集中在使用上下文无关文法与深度学习相结合的方法来提高软件开发环境在代码提示和语法错误提示两个任务上的准确率。本文的主要贡献有两方面:1.代码提示是软件开发环境的重要功能,它会对程序的下一个token给出提示。为了实现代码提示的功能,主要使用语言模型来预测下一个token的概率。这些语言模型原本是为了在自然语言处理任务中基于前文预测后一个token而设计的,然而却并不完全适用于程序设计语言。在程序设计语言中所有自定义的标识符的含义都是由它的上下文定义的,标识符的名字只是用来区分不同的标识符,这与自然语言中token的含义主要是由token的名字决定的情况有比较大的不同,所以这些语言模型只使用token的名字来输入就有些不适用了;另一方面程序设计语言的语法有着明确而清晰的定义,这与自然语言中语法无法完整定义的情况也是不同的,所以现有的语言模型可能会预测出不符合语法的token的情况是可以避免的。因此本文提出了基于语法的语言模型,在从Codeforces中爬取的C99数据集上获得了74.23%的Top-1准确率,比之前的主要语言模型准确率都高。2.语法错误的提示是软件开发环境的重要功能,它的提示是基于编译器的出错信息生成的,然而编译器的出错信息是通过上下文无关文法或者概率上下文无关文法实现的,这些方法的提示是基于终结字符的,所以它们无法提示出具体的token。同时现有的机器学习方法在语法错误提示任务上的准确率很低,本文提出了利用上下文无关文法的端到端模型的语法错误提示模型,在DeepFix的数据集上获得了56.97%的准确率,远高于DeepFix的33.36%,证明了将上下文无关文法和深度学习相结合的方法可以显著的提高准确率。