软件可维护性是指软件维护人员理解、改正、改动和改进软件的难易程度,是决定软件质量的关键属性。及时且准确地预测软件的可维护性对提高软件维护效率具有重要意义。然而,随着软件系统日益复杂,软件可维护性的预测也越来越困难。一方面,在软件维护规模的预测中,现有工作所使用度量套件对预测维护规模的有效性未得到统计学上的验证,且由于方法过于简单使得预测效果不够稳定。另一方面,在可维护性程度的预测中,大多数研究未考虑软件演化历史对软件可维护性程度的影响,且缺乏对可维护性程度的有效标注。本文针对以上问题展开研究,使用统计学方法对软件属性度量和软件维护规模之间的关系进行验证,在此基础上通过构建混合模型实现软件维护规模的预测。之后,根据融合软件维护规模和基于技术债务的可维护性等级获取可维护性程度,进一步研究了基于历史版本度量序列的软件可维护性程度预测方法。本文的主要工作包括如下两个方面:（1）为了预测软件维护规模,首先提取软件中每一个类的度量集合、两个版本之间的代码更改行数（即维护规模）,然后使用趋势图、Pearson相关系数以及显著性水平分析软件度量和维护规模之间的相关性。在此基础上,提出了一种基于双层机器学习的预测方法,该方法使用Stacking集成技术,将Light GBM、XGBoost和GBDT模型进行融合,通过构建双层混合预测模型实现软件维护规模的预测。基于真实数据集的大量实验表明,相比于最佳对比方法,该模型在平均相对误差、均方根误差、平均绝对误差上的下降率分别为22.57%、6.25%、17.05%,且在Pred（30）和R~2上分别高出12.17%、2.71%。（2）为了预测软件可维护性程度,从历史版本度量序列出发,提出基于注意力机制和双向深度记忆网络的可维护性程度预测方法。该方法首先提取软件中每一个类的历史版本度量序列,然后计算获取相应版本的可维护性程度标签,最后使用融合卷积神经网络和门循环单元的模型学习软件版本演化过程中的度量变化规律,据此预测当前软件版本的可维护性程度。特别地,在训练模型过程中添加了注意力机制,并使用Focal Loss损失函数来解决样本分布不均衡的问题。基于真实数据集的大量实验表明,该方法在所有数据集上的平均精确率、平均召回率、平均F1值达到了86.19%、76.05%、79.84%,分别比对比方法中的最大值高出1.4%、2.23%、1.62%。