我们提出了一种能够对源代码块自动生成功能描述性注释的框架。在此之前这一问题已经被很多研究人员进行过了研究,不过他们的方法大多数都是基于固定模板和规则进行注释生成,或者将源代码当作普通的自然语言使用LSTM等模型进行处理,效果并不显著。我们的框架不依赖于任何模板,同时使用了基于源代码解析树结构的递归神经网络来对源代码进行特征提取工作,这是因为源代码的解析树结构当中同时包含了源代码的语义信息与结构信息。模型会将这些特征嵌入到一个向量当中进行表示。我们把新的递归神经网络叫作Code-RNN。然后我们把通过Code-RNN得到的源代码特征表示向量输入到一种叫作Code-GRU的新型循环神经网络当中进行注释生成。在Code-GRU当中我们增加了一个叫作选择门的新结构来对特征向量进行处理,以能够从特征向量当中获取足够的信息生成注释。我们选择使用ROUGE-2数值作为衡量注释生成好坏的标准,整个框架生成的文本描述性注释效果显著高于其他基于学习的方法比如Sequence-to-Sequence等模型。我们的Code-RNN模型同样能够用于其他需要对源代码进行特征提取的场景当中,仅需要重新生成对应程序语言的解析树即可。