随着近些年计算机技术的快速发展,深度学习在语音处理、图像识别等领域取得了喜人的成果。这些进展使得研究人员开始考虑一个新的问题,使用人工智能相关技术来解决程序合成问题。程序合成的挑战不同于图像识别、语音处理等,其对抽象性以及严谨性的要求使得解决问题异常困难。神经程序合成作为一门迅速发展的学科,尚处于初始阶段。程序合成作为自动编程的核心问题,一旦解决程序合成问题,人类就可以让机器自己写满足任务的代码,从而降低程序员的工作量。本文主要做了以下几方面工作:一、本文先对国内外神经程序合成的相关研究做了综述,指出程序合成面临的挑战,以及当前解决神经程序合成问题存在的方法及应用。二、针对传统神经程序解释器存在训练速度慢等问题,本文对传统神经程序解释器进行重构,采用新的以GRU(Gated Recurrent Units)为核心计算单元的神经程序解释器,同时在神经程序解释器的程序空间搜索上采用了新的搜索技术,并且采用新的收敛算法对重构后的神经程序解释器优化。最后本文将重构后的神经程序解释器应用于加法模型中,研究表明,重构后的神经程序解释器在性能上有了较大提升。三、本文实验部分基于Linux操作系统,采用Theano作为后端,以及Keras库对神经程序解释器进行重构,可以通过强大的Keras库函数可以更为简洁有效的反应出神经程序解释器的训练过程,以及对测试结果展示。