在软件的整个生命周期过程中,为了满足用户不断变化的产品需求,开发人员经常经常在时间压力下进行软件升级与维护,从而导致代码异味的产生。通常,这些异味会对软件造成极大的隐患,引起了学术界和工业界的高度关注。继承冗余是危害最严重的代码异味之一,并且在代码中出现的频率较高。然而,此种异味却很少被研究,主要因为存在两个挑战:（1）数据集的缺失（2）继承冗余代码异味的检测规则较难设计。针对上述问题,本文提出了一个框架能够有效地生成继承冗余代码异味数据实例,并且可以有效地检测异味。具体内容包括:（1）针对数据集缺失的问题,提出了一种继承冗余代码异味实例合成的算法,算法通过将输入的高质量源代码根据异味特性进行改造,从而构建出存在异味的代码片段。算法首先将源代码转化成抽象语法树（AST）,然后通过操作语法树上的节点,创建出源码中并不存在的继承关系,从而得到具有继承冗余异味的实例数据。（2）针对继承冗余代码异味检测规则难以设计的问题,本文提出了一种基于AdaBoost的检测模型。模型首先通过现有工具计算代码度量,将其作为数据的属性特征,然后根据生成的异味数据集来训练检测模型,并将训练好的模型在真实数据集下进行异味的识别,最后根据得到的模型可以得到对继承冗余代码异味检测最重要的度量集合。为了评估该算法的有效性,针对异味实例合成算法,本文采用的数据集来源于四个高质量版本的开源项目。通过人工校验算法生成的实例表明,该算法可以有效地生成异味数据集,有效地解决数据集缺失的问题。针对异味检测模型,本文采用的AdaBoost模型各项指标均优于其他两个最常用的机器学习模型,并且通过在人工标注的真实数据集上进行验证也表明,本文提出的模型的检测效果也显著优于已有的检测工具。