论文查重时附录里的代码确实会被系统扫描，但标红与否取决于代码本身的性质和查重系统的识别机制。

纯原创代码通常不会触发警报。自己编写的算法实现、独立设计的函数模块、针对特定数据集的处理脚本，这些内容在数据库里找不到匹配源，自然平平安安通过检测。麻烦的是那些调用了公开库函数、使用了经典算法标准实现的代码段。比如用Python做数据分析时import pandas和numpy，或者实现K-means聚类、快速排序这些教科书级别的算法，代码结构和变量命名很容易和别人撞车。查重系统不会区分"合理雷同"和"抄袭"，只要字符串连续匹配达到一定阈值就会标红。

代码注释和文档字符串是另一个雷区。很多同学习惯在代码里写详细的中文说明，解释每个参数的含义和返回值。这些文字性描述如果直接复制了教程或GitHub仓库里的注释，查重报告里会一片飘红。更糟糕的是，有些开源项目的代码附带版权声明，哪怕只是借鉴了思路，注释里残留的原作者信息没删掉，可能被误判为整段剽窃。

开源代码的使用边界需要特别注意。MIT、Apache这些宽松许可证允许自由使用，但要求保留版权声明；GPL协议则强制衍生作品开源。论文附录里贴代码时，合规的做法是在注释里注明来源和许可证类型。查重系统检测不到许可证合规性，但审稿人或导师人工复核时，发现代码来源不明会质疑学术诚信。有些学校规定，附录里超过20行的外部代码必须单独申请使用授权，否则不计入原创成果。

技术层面的规避手段效果有限。改变量名、调整缩进、打乱函数顺序，这些小动作能骗过 naive 的字符串匹配，但扛不住专门的代码查重工具。MOSS、JPlag这类系统专门做代码相似度分析，能识别出结构重排后的抄袭。更高级的检测甚至能对比抽象语法树，把语义等价但写法不同的代码揪出来。理工科期刊越来越重视这部分审查，计算机领域的会议论文投稿，代码查重已经是标准流程。

数据处理和可视化代码最容易被误伤。用matplotlib画散点图、用seaborn做热力图，这些标准化操作的代码长得都差不多。几十篇论文都用同一套公开数据集做实验，数据清洗流程的代码相似度自然居高不下。建议把通用操作封装成简短函数，重点展示自己设计的核心算法，减少 boilerplate 代码的暴露面积。

附录代码的格式提交也有讲究。有些查重系统把代码当纯文本处理，有些会尝试语法高亮后提取关键字比对。PDF格式提交的代码可能因换行符识别问题产生乱码，导致无意义的字符匹配；直接贴文本文件又可能因编码问题丢失缩进信息。稳妥的做法是咨询学校技术部门，确认系统支持的最佳提交格式。