随着计算机技术的快速发展,软件规模和复杂度也日益增大,随着开发需求的激增,为了降低软件开发的难度,缩短开发周期,研究学者们将目光投向了软件自动化开发上。在智能化软件开发中,代码补全实现了由编译器根据上下文中现有代码建议下一个可能的代码Token,例如方法调用或对象字段。近年来随着深度学习的应用,该方向涌现出大量科研成果,推进了软件智能化发展。在现有研究中,大多将代码视作语言文本送入自然语言处理中的序列模型实现代码补全。但是自然语言处理模型对于生成Token不存在于词典中时使用UNK替代,这对于程序是无意义,且代码对比于自然语言,还有更重要的结构信息,比如代码的执行顺序和程序逻辑。针对以上问题,本文使用树和图进行代码表示,提出了基于抽象语法树和指针生成器混合网络的代码补全、基于代码属性图和指针生成器网络的代码补全、基于代码属性图和图神经网络的代码补全。在基于抽象语法树和指针生成器混合网络的代码补全的方法中,使用抽象语法树表示代码,遍历后转换成序列,使用自然语言处理模型学习。为了丰富节点语义信息和结构信息,在学习节点隐藏层状态时使用父节点状态表示,同时为了解决UNK问题,提出选择器在代码上文中复制一个Token进行替代生成。基于抽象语法树和指针生成器混合网络模型的准确率是77.221%,较LSTM基线模型准确率提升了4.92%,较LSTM+父节点信息模型准确率提升了0.908%。在基于代码属性图和指针生成器网络的代码补全的方法中,考虑到执行代码语句的顺序以及采用特定执行路径所需满足的条件也十分重要,加入了程序数据依赖和控制依赖信息。数据依赖表示一个被定义的变量被使用或被更改,控制依赖代表当前节点的操作执行受限于某一个节点的执行。将两种依赖信息抽象为路径序列,使用指针生成器网络进行学习,实现代码补全。基于代码属性图和指针生成器网络模型的准确率是78.180%,较基于抽象语法树和指针生成器混合网络模型提升了0.959%。在基于代码属性图和图神经网络的代码补全的方法中,使用图形表示捕获数据依赖和控制依赖信息。门控图神经网络可以学习有不同边的图结构,在抽象语法树的结构上,添加边。细化数据依赖信息,对变量使用和计算添加边表示过程。对待生成节点构造子图,网络学习每个节点的向量表示,进而学习完整图的向量表示,将代码补全等同于分类问题,完成Token推荐。基于代码属性图和图神经网络模型的准确率是41.655%,较使用不细分数据依赖信息训练模型提升了5.922%。效果不如前两种方法,但这是首次实现使用图实现Token粒度的代码补全,具有研究意义。