软件维护和演化大约占软件开发过程（例如,实施,测试和维护）的工作量的90%。由于开源项目的日益庞大和复杂,软件缺陷报告产生的数量日趋增加,软件测试效率面临着极大的挑战。因此,提高缺陷分派效率是一个急需解决的问题。尽管研究人员努力提高缺陷分派的效率,但是目前仍然存在着一些不足,如仅采用单一文本元信息表示缺陷,多源信息下不能衡量和提取特征间隐含的联系等。针对上述问题,本文采用深度多语义特征融合方法提取多源信息的特征,提出一种动态的缺陷分派模型（Bug Triage based on Reinforcement Learning,BT-RL）,充分利用缺陷多源特征的隐含信息并且动态的根据修复人员的活跃情况进行实时分派,主要贡献如下:（1）提出了一种深度多语义特征融合方法,利用异构循环网络提取多源信息的多维特点。通过捕捉多源特点的异同并巧妙地融合,能得到高质量的属性。与支持向量机等机器学习方法相比,它能更全面地捕获不同等级的信息,更有力地表达缺陷。从而优化缺陷分派的数据质量和准确率。（2）提出了一种在线动态匹配方法,将缺陷分派问题定义为马尔可夫决策过程（Markov Decision Process,MDP）,并采用强化学习技术进行巧妙结合,它把缺陷的特征信息看作状态,把修复者看作是真实世界中的动作。智能体通过对特征的动态分析,进行自我训练,充分学习缺陷报告和修复者的关联,做出最优分派。相比一些基线方法能动态学习近期新增的数据,实时调整做出正确的决策,从而减少可能存在的二次分派,提高分派的准确性。对BT-RL模型采用Open Office、Net Beans、Mozilla和Eclipse数据集的实验分析结果表明,BT-RL模型推荐的Top5序列中的准确率分别达到52%、54%、68%和78%,相比于基线中最优模型LDA＿SVM分别提升了4%、11%、9%和8%,在缺陷分派准确率上有较大的提升,可以为提高软件测试效率提供一种可行方法。