软件缺陷修复是软件工程领域的关键问题,是软件测试与维护中耗费成本最高的活动。软件缺陷自动修复技术能够有效降低缺陷修复的成本,是近年来学术研究的热点问题。本文研究基于深度学习的软件缺陷自动修复技术,将基于深度学习的机器翻译技术即神经机器翻译技术应用于软件缺陷自动修复问题中,通过端到端补丁生成模型自动生成候选补丁。这类软件缺陷自动修复技术的研究工作少之又少,且普遍修复缺陷成功率和效率较低。针对上述问题,本文提出了两种应用神经机器翻译进行软件缺陷自动修复的技术,并集成了一种软件缺陷自动修复工具。具体研究内容如下:（1）提出了基于多机制神经机器翻译的软件缺陷自动修复技术（Multi-mechanism Neural machine translation based automatic software Repair,MNRepair）。首先,采用词级分词等技术对由缺陷程序语句及其对应的修复语句构成的数据集进行预处理。其次,训练调试融合注意力机制、复制机制以及覆盖机制的多机制补丁生成模型,多机制的使用能够缓解一个固定维度的向量难以编码缺陷程序语句所有信息的问题、未登录词问题以及过度翻译和翻译不充分问题。再次,采用缺陷自动定位技术对待修复缺陷软件进行定位分析并生成缺陷定位报告。然后,利用参数优化后的多机制补丁生成模型为待修复软件生成多个修复语句（候选补丁）。最后,通过测试用例验证候选补丁,并输出通过验证的补丁。在Defects4J缺陷库的395个真实Java软件缺陷上,对MNRepair进行了实验评估。实验结果表明,MNRepair正确修复了26个缺陷,修复成功率和修复效率优于HDRepair、ss Fix、ACS、Cap Gen、LSRepair、Nopol、Sketch Fix、CODIT、Sequence R和j Gen Prog等现有的软件缺陷自动修复技术。（2）提出了基于自注意力神经机器翻译的软件缺陷自动修复技术（Self-attention Neural machine translation based automatic software Repair,SNRepair）。首先,使用基于一元语言模型的子词切分算法预处理数据集,从数据处理的角度有效缓解未登录词问题。其次,训练调试加入局部建模的基于自注意力的Transformer补丁生成模型,该补丁生成模型不仅可以显著缓解源代码中较为棘手的长距离依赖问题以及实现GPU上的并行化,还能够有效地建模局部信息。再次,采用缺陷自动定位技术定位缺陷语句的可能位置并生成相应的缺陷定位报告。然后,利用参数优化后的Transformer补丁生成模型生成多个候选补丁。最后,利用测试用例验证候选补丁,并输出通过验证的补丁。在Defects4J缺陷库的395个真实Java软件缺陷上,对SNRepair进行了实验评估。实验结果表明,SNRepair正确修复了32个缺陷,与HDRepair、ss Fix、ACS、Cap Gen、LSRepair、Nopol、Sketch Fix、CODIT、Sequence R和j Gen Prog等现有的软件缺陷自动修复技术相比,拥有更好的修复能力。（3）针对上述两种软件缺陷自动修复技术,集成了一种软件缺陷自动修复工具Software Repair。其利用Gzoltar进行缺陷定位、使用不同的修复方式进行补丁生成以及运行测试用例进行候选补丁的验证。该修复工具提升了缺陷自动修复技术的易用性,且自动化程度较高,在实际使用过程中,仅需要根据工具的提示执行相应的操作即可,具有一定的应用价值。