代码自动生成在很大程度上可以简化程序员的开发工作,并且可以提高软件开发的效率,代码自动生成也成为当前研究的热点。目前代码自动生成技术的部分研究已经应用到了实际开发中,依据某种代码自动生成方法实现的代码自动生成工具通常以插件的形式嵌入到集成开发环境中,以帮助程序员提高开发效率。代码自动生成质量与效率会直接影响程序员的开发效率,完善的代码自动生成质量与效率评估不仅可以有效的对生成代码进行评估,同时也有助于发现代码自动生成工具本身存在的问题。现有研究中,缺乏针对代码自动生成质量的统一评估方法。多数研究使用Precision、Recall、MRR、F1-Measure作为评估代码自动生成质量及效率的指标,但这些指标仅考虑了代码自动生成个数及生成代码的正确性对质量和效率的影响。在使用代码自动生成工具实际开发中,影响质量和效率的因素有很多,程序员的行为在其中也起到了较大的作用。现有评估方法没有考虑到代码自动生成过程中代码上下文动态变化的特性,只集中在有限的属性。大部分研究采用不同的评估指标,且各指标之间无法直接转化,缺乏统一的评估方法,难以对各种代码自动生成模型和方法进行对比。针对以上问题,本文主要开展了以下研究工作:（1）为了对代码自动生成质量和效率进行评估,本文对代码自动生成过程和结果进行了分析,结合代码自动生成过程中程序员行为与代码自动生成工具的特点建立代码自动生成质量和效率评估模型。（2）通过代码自动生成过程分析程序员行为与代码自动生成工具信息中可能影响代码自动生成质量与效率的特征。依据以上特征提出了一种程序员行为与代码自动生成工具信息监控方法。考虑到代码上下文对生成代码质量和效率的影响,本文定义了一种MAST（Multidimensional Abstract Syntax Tree,MAST）特征树,通过MAST中的信息对代码自动生成过程中存在的特征进行表示。使用TBCNN（Tree-Based Convolutional Neural Network,TBCNN）对MAST进行特征提取,将提取到的特征使用全连接神经网络映射到代码自动生成质量属性和效率属性。通过代码自动生成质量与效率属性的赋权,实现代码自动生成质量与效率评估。（3）实现了程序员行为与代码自动生成数据采集工具。基于代码自动生成质量与效率评估过程,实现了一个代码自动生成质量与效率评估原型工具,并通过实验验证了本文提出的代码自动生成质量和效率评估方法的有效性和合理性。