在软件开发流程的前端开发环节中,前端开发人员需要根据UI（User Interface,用户界面）设计图编写对应的界面代码。为了1:1还原UI设计图中UI组件的位置与样式,开发者通常采用一种不断试错的方式进行界面代码编写,这是一项耗时且重复的工作。实现从UI设计图到界面代码的自动转化,可以避免这种重复的试错过程,提高开发效率,有利于软件的快速迭代。近年来,有不少工作利用深度学习技术,致力于将UI设计图自动转化为相应的界面代码。在这些研究中,研究者们提出的深度学习模型基本上是图像描述领域常见的结构,这类模型结合了CNN（Convolutional Neural Network,卷积神经网络）与RNN（Recurrent Neural Network,循环神经网络）,根据输入的UI设计图像生成对应的界面代码。然而,界面代码的生成与自然语言的生成有所不同,界面代码是具有嵌套关系的长文本,基于RNN的模型不仅不能提取代码中的层次结构信息,还因为存在梯度爆炸和梯度消失的问题,对长文本的长期依赖关系的建模能力有限。并且,RNN的循环结构导致其不具有并行计算的能力,在训练时间上远远高于支持并行计算的CNN。最后,在Web界面代码自动生成的研究领域,现存的公开数据集存在样本过于简单并且样本数量过少的缺陷,生成的界面样式单一、结构固定。为解决上述的问题,本文的主要工作以及创新点如下:（1）为了让深度学习模型能够生成更加丰富和多样的界面代码,本文创建了新的数据集,支持更多种类、更多数量、更多组合方式的UI组件生成。并在现有数据集和本文提出的数据集上进行后续的研究,以证明本文提出的深度学习模型具有较强的泛化性。（2）为了避免循环神经网络带来的梯度消失和训练效率低的问题,本文提出了基于时序卷积网络的界面代码生成模型。在现有的研究中,通常使用循环神经网络对用户界面代码建模,考虑到用户界面代码的特殊性,其较长的长度和具有严格层次结构的特性不适合使用循环神经网络结构进行建模。本文针对用户界面代码的建模任务,提出了基于时序卷积网络的界面代码生成模型,利用一维卷积层和因果卷积（Causal Convolution）方式,能够建模代码中的层次关系和长期依赖关系。此外,本文结合了层次化注意力机制强调界面代码中不同层次的文本特征,经过在现有数据集和本文创建的数据集上进行实验,并与目前界面代码生成领域的state of art模型进行对比,本文提出的模型在BLEU和错误率等多项指标上表现更佳,并且本文提出的模型在参数上只占现有模型的14.5%,是更加轻量且高效的模型。（3）为了解决模型在训练和推断时出现的不一致问题,即Exposure Bias。本文提出了适用于时序卷积网络的计划采样训练方法,通过一种两次解码的方式,构建了具有代表性的负样本。模型在训练时充分认识了负样本,使得在自回归的推断行为中能够正确处理负样本,一定程度上消除了Exposure Bias的影响。经过实验发现,使用计划采样训练方式的模型,在测试集上的BLEU分数提高了约4%,尤其在目标代码序列长度大于100的情况下,计划采样方式生成的代码BLEU分数均高于普通的Teacher-Forcing训练方式。（4）为了解决在使用贪婪搜索或集束搜索进行代码生成时出现的重复代码段生成问题,本文提出了基于随机策略的方法进行界面代码生成,并针对三种不同的随机策略与传统的最大化条件概率方法进行对比,在大小为250的测试集上,本文提出的方法减少了约40%的重复代码段预测情况,有效地降低了生成代码的错误率,同时提高了约2%的BLEU分数。