理解在软件仓库中执行的维护活动可以帮助软件从业者减少维护成本,做出关于资源分配的决策,从而提高效益。对于大多数软件系统来说,bug是通过软件仓库的问题追踪系统来跟踪的,代码变更是以提交给源代码控制库的形式来合并的。因此,检查软件开发的这些基本工件（新的错误报告或提交）来实时检测bug是很方便的。本文的目标是自动对软件开发过程中的一系列提交进行高精度分类,将提交分类为bug修复相关或与bug修复无关,一般情况下这个任务都是通过关键字或者基于规则来对这些提交的文本进行分类,但这样会有很高的误报率。而基于机器学习的方法虽然一定程度避免了依赖安全专家编写规则的问题,但仍需要靠人工来提取特征。近些年来,深度学习技术在各个领域取得的研究成果为本文提供了方向。本课题通过自然语言处理的相关技术来提取文本和代码段的信息。对于提交的文本,使用预训练模型来为其生成词向量。对于修复的代码段,源代码中的标识符名字（开发人员用来命名类,方法和变量）可以传达出代码的语义并且用来分类,基于这种直觉,本文把更改的代码段作为纯文本文档,并使用文本分类的方法进行处理。接着我们从多个开源的项目中挖掘bug修复模式,为代码生成抽象语法树,通过计算前后版本代码的语法树差异得到编辑脚本,然后与我们挖掘得到的bug修复模式相匹配,最后将匹配结果作为特征送入分类器中。我们比较了多个机器学习分类器,如支持向量机,随机森林和最近邻算法在数据集上的分类效果,发现单一的分类器性能是不够的,所以本课题通过集成模型来集成多个分类器的性能,实验结果表明集成模型能够实现比单一分类器更好的性能。