随着信息技术的飞速发展,软件作为基础设施,在各个领域的应用中起着至关重要的作用,协调控制了各项工作的正常运行。然而,不断增长的软件规模以及复杂度同时也带来了软件缺陷数量和复杂度的不断增长。为应对日益严重的软件缺陷问题,学术界和工业界投入大量精力来研究自动化软件缺陷定位技术。由于程序逻辑结构的复杂性和多样性,从程序内部根据其控制和依赖关系去查找缺陷变得十分困难,不确定性也较为突出,因此,许多研究人员尝试通过分析运行程序获得的外部数据来发掘其中的特征,从而达到找到程序内部缺陷的目的。通过运行程序所获得的外部数据,存在数量巨大、信息较多的特点。基于这些外部数据获取充分的缺陷特征以实现高精度缺陷定位面临巨大的挑战。随着深度学习技术的发展,许多深度学习架构在数据处理上展现出了巨大的潜力,能从大批量纷繁复杂的数据中获得其他方法不容易提取到的特征。这为破除当前软件缺陷定位技术的特征提取瓶颈,实现高精度缺陷定位提供了新思路和解决方案。因此,本文从深度学习技术在缺陷定位领域的运用、动态切片技术和深度学习技术的融合、信息覆盖矩阵的优化和测试用例集增强技术这四个方面系统地研究了基于深度学习的缺陷定位技术,提出了一系列缺陷定位方法并进行了相应的实验验证,证明了本文方法的有效性。论文的研究内容和创新点为:1)基于深度学习的软件缺陷定位技术,为深度学习技术在软件缺陷定位领域的应用提供了新思路。传统的基于测试用例覆盖信息的缺陷定位技术,在精度上达到了一定的瓶颈,需要新技术对缺陷定位注入新的活力,以实现更高精度的定位效果。本文研究了基于深度学习的缺陷定位方法,通过利用测试用例覆盖信息作为网络训练数据,基于训练模型计算语句的可疑值,以可疑值排名方式来找到错误语句在程序的位置。本文根据覆盖信息数据的特征对其进行特殊化处理,构建出深度神经网络的输入模型,应用到典型的三种深度神经网络（即多层感知机、卷积网络和循环网络）,训练并得到了不同的缺陷定位结果,以实验方式进行了系统比较和验证。2)基于动态切片和深度学习的缺陷定位方法,从程序语义关联性角度优化了基于深度学习的缺陷定位技术。现有的基于覆盖信息的缺陷定位方法大多以独立的语法单位设计缺陷定位方法,对语法语义关联关系缺乏相应的考虑和设计。基于深度学习的缺陷定位方法也忽略了语句之间存在的关联关系和上下文信息。有必要加入可疑语句上下文来获取更丰富的语法语义信息。本方法运用动态切片的思想剥离出与错误输出相关的语句集合,从而降低训练复杂度,提高定位精度。实验表明将动态切片技术和深度学习技术相结合可以大幅提升缺陷定位的效能。3)基于TF-IDF技术的测试用例覆盖信息优化技术,构建了测试用例生成信息覆盖矩阵的新的方法体系,从信息覆盖模型角度优化了基于深度学习的缺陷定位技术。现有的基于测试用例覆盖信息的缺陷定位方法采用语句执行覆盖信息,即是否被测试用例执行的二进制状态信息。这些二进制信息只能展现出语句是否被覆盖,并不能表明语句在测试用例执行过程中对测试用例结果的贡献度。有必要优化信息覆盖矩阵,使之能更准确地反映出语句和测试用例结果之间的关系。本文提出了将TF-IDF（Term Frequency–Inverse Document Frequency）技术,即将词频和逆文档频率融入缺陷定位技术体系中,自动获取语句和测试用例结果之间的关联关系,并应用到基于深度学习的缺陷定位技术和基于频谱的缺陷定位技术,实验结果表明本方法能大幅提升定位效能。4)研究测试用例集非对称性对基于深度学习的缺陷定位技术的影响,从测试用例增强角度优化了基于深度学习的缺陷定位技术。现有测试用例集的成功测试用例和失败测试用例的数量通常是不同的,且大多数情况是成功测试用例的数量远远大于失败测试用例的数量。基于深度学习的缺陷定位技术,以测试用例集获得的语句覆盖信息为基础进行训练。这种非对称性的数据集会给训练带来偏向性影响,从而影响缺陷定位精度。本文分析了测试用例集非对称性对基于深度学习缺陷定位的精度影响,以此提出增强的测试用例集来消除非对称性所导致的负效应,实验结果表明测试用例集增强技术可以显著提升基于深度学习的缺陷定位技术的定位效能。