近年来,随着经济的快速发展和大数据时代的来临以及计算能力的提升,人工智能得到了迅速发展。深度学习作为新一代人工智能技术的代表者,在很多领域或任务上都取得较大突破。代码自动生成是多年来计算机领域的一项具有研究价值和挑战的任务,当前的研究热点也转移到以深度学习为主的方法,并在代码生成质量及可移植性等方面取得较大提升。但是,深度学习固有的黑盒特性,使代码自动生成模型的工作机理难以解释,继而难以有针对性地进一步对模型进行优化和提升。结合以上问题,本文以基于Char-RNN的代码自动生成模型为基础,通过可视分析的方法来研究循环神经网络内部神经元状态的变化,以此来探究模型的工作机制,提高深度学习模型的可解释性,最后通过可视分析得到的结果来优化模型。本文的主要工作:首先建立了 Char-RNN语言模型,以C语言和Python语言的代码集作为数据集进行训练,将训练过程中神经元的状态保存下来;然后通过可视分析工具LSTMVis将训练过程中神经元的状态变化可视化显示,多角度进行分析;最后通过分析得到的结果选择Dropout优化算法,并对Dropout算法做了改进,对模型进行优化,使其达到更好的效果。通过可视分析工具LSTMVis,编程语言的if语法和print()函数为观察点,在以收敛后的模型为实验对象的实验中,发现在模型内部特定神经元与if语法点或者print0函数点的预测之间存在较强的联系;在以不同训练时间点的同一类模型为实验对象的实验中,发现在模型内部存在神经元在整个训练过程中持续影响对特定观察点的预测。最后基于这些发现对Dropout优化算法做了针对性改进,并与使用原始Dropout算法和使用参数优化的方式进行对比,使代码生成结果得到提升。