代码审查(Code Review),又称为代码评阅,是指在软件开发过程中,对软件源代码进行系统化地审查,其目的是找出及修正在软件开发初期未发现的错误,提高软件质量和开发者的技术。在软件开发过程中,代码审查被认为是软件质量的重要保障机制,只有通过审查的代码才会被提交到代码库中。在代码审查过程中,项目管理人员根据个人经验或以广播的形式邀请其他开发人员作为代码审查人。然后,代码审查人通过阅读代码,检查代码是否符合规范,并提交审查报告。在现有的代码审查过程中,存在两个问题:一方面,代码审查人的选择方式效率低,且缺乏准确性。另一方面,审查人反馈的代码审查意见中包含大量的无意义信息,缺乏有效性的评估分析。本文针对代码审查过程中存在的问题,分别从代码审查人分配和代码审查意见有效性评估进行了研究,并在真实数据集下进行实验以验证本文提出方法的有效性。本文的创新点和主要工作如下:1.针对软件开发过程中代码审查人分配效率低和不准确的问题,本文提出了一种基于深度学习卷积神经网络和长短期记忆网络的代码审查人推荐方法。该方法使用混合网络从代码提交产生的过程数据和代码差异数据中提取与代码审查人相关的高层抽象特征,以构建代码审查人推荐模型。其中,在代码变更数据分析过程中,本文使用基于抽象语法树的方法,提取细粒度的代码差异信息。2.针对软件开发过程中代码审查意见包含大量无意义信息的问题,本文根据代码提交过程中产生的相关数据和修改意见,提出了一种基于长短期记忆网络的代码审查意见有效性评估模型。该模型从代码审查意见中提取与审查意见有效性相关的高层抽象特征来构建有效性评估模型,以实现对代码审查意见的有效性分析。3.为验证本文提出方法的有效性,本文选取了Eclipse开源社区的项目作为实验对象。通过将本文提出的方法和现有的深度学习方法进行对比后发现,本文提出的代码审查人分配方法有着更好的效果,其平均准确率达到84.5%,单个项目准确率最高达到92.3%。除此之外,代码审查意见有效性评估模型的平均准确率达到88.4%,实验证明该评估模型可有效帮助开发人员准确地评估代码审查意见的有效性,从而达到规范编写审查意见和提高代码审查质量的目的。