近些年来,伴随着各个领域信息化程度的提高,漏洞的种类和数量也在逐渐增多,这些漏洞一旦被黑客攻击利用,信息系统的安全性就会有很大的风险。与此同时,信息安全已经上升为国家战略,那么如何对已经存在的漏洞进行有效地分类管理,提高漏洞修复和管理的效率,则变得尤为重要。本文以漏洞文本日志为依据,以自然语言处理技术和神经网络技术为支撑,从漏洞文本特征表示和漏洞分类模型构建两个方面入手,对已知漏洞的分类技术进行了研究,介绍了软件漏洞文本的表示方法和漏洞分类方法,论文的主要内容如下。首先,分别介绍了NLP神经网络技术和软件漏洞分类技术的国内外研究现状,总结了漏洞分类中常用的文本表示方法和分类方法。针对传统的文本特征提取方法生成的文本向量空间呈现出的高维性和稀疏性而导致漏洞分类准确性不高的问题,本文基于TF-IDF和信息增益理论和采用Word2Vec的Skip-gram语言模型方法,提出了词的加权分布式表示方法,即TFI-W2V算法,使用该算法将每条漏洞文本中的词映射到有限维度的空间中,以此表征漏洞文本的语义信息。其次,针对传统的机器学习算法在处理高维性和稀疏性的漏洞文本特征表现不好和忽略特定的漏洞信息的问题,本文基于卷积神经网络和循环神经网络理论基础,充分利用卷积神经网络提取漏洞文本向量局部特征的优势和循环神经网络提取与漏洞文本上下文相关的全局特征的优势,将两种互补模型提取的特征进行融合,建立了一种新颖的TextCGRU漏洞分类模型,使其能够表征更加漏洞特征信息。最后,对本文设计的基于TFI-W2V的TextCGRU漏洞分类方法进行实验验证和结果分析,并与基于深度神经网络的软件漏洞自动分类方法进行对比实验,实验结果表明了本文提出的漏洞分类算法在平均准确率、宏精确率、宏召回率和宏F1等指标中均有较大的提高。本文的研究工作显示了基于NLP神经网络的软件漏洞自动分类方法在漏洞分类中获得了很好的效果,大大提高了软件漏洞分类管理的效率和准确率,因此具有一定的应用研究价值。