API补全是当今开发者们使用最为频繁的代码补全方法之一。近年来,大数据与人工智能技术发展迅猛,这为API补全带来了新的可能。其中,统计语言模型在代码补全领域取得了广泛关注,它先使用程序表示技术将程序代码转化成语句序列,再使用N-gram(N元语法)、RNN(循环神经网络)等模型对代码中方法调用进行预测,进而实现API补全。但是,训练模型需要使用大量的语料库,这些语料常常来自于互联网上的开源项目,但这一些项目所代表的编程习惯与真实的个体开发者之间必然存在差异性,例如用户的个人项目中会存在大量的自定义类和方法,这对代码补全在实际应用时的表现带来了极大的负面影响。为了改善此问题,本文提出了一种基于统计语言模型的个性化代码补全方法,在已有方法的基础上增加了由用户个人的编程数据训练的语言模型。具体来说,本文主要工作内容包括:1.实现了一套从Java程序代码中提取出API调用序列以及将其转化为语句序列的完整方法,并基于大量代码生成了语料库。2.通过多种语言模型相结合的方式实现了基于用户个人编程习惯的个性化API补全模型。本文先使用来自互联网的数据实现了一套由N-gram模型和LSTM模型组成的混合语言模型,然后在此模型的基础上使用个人用户的数据对其进行重构与训练。3.基于上述工作,进行实验对比了不同模型在不同特征的测试集上的预测表现。实验结果证明将个性化模型运用在个人项目上进行代码补全时,会比已有模型拥有更高的准确率。