Bug Report,作为经常被开发者查阅的软件资源,在软件开发社区中被维护与演化。随着时间的积累,大量包含复杂讨论的Bug Report在软件演化过程中积累下来。大量的研究工作已经证明,准确而简短的摘要可以帮助开发者减少花费在浏览Bug Report全部内容所导致的时间开销。前人工作中通过选择包含具有最多语义信息的关键语句来构成摘要。然而,他们的表现往往由于缺失对具有争议的语句的处理,以及对基于词频的语义信息过度依赖而存在很大的局限性。本文针对现有工作的缺陷,对Bug Report的上下文和语义信息的特征进行了研究,并在此基础上设计并实现了上下文深度理解的Bug Report摘要生成方法,自动的为Bug Report生成准确可信的摘要。本文的主要工作包括:1、系统的对Bug Report中上下文信息以及语句信息冗余的特征进行了调研,探索语句可信度的判别方法以及更准确的摘要生成方法。据此,本文提出了两个变量:可信度和信息量。其中,可信度度量在开发者们的讨论过程中,语句被支持或否定的程度,而信息量则权衡摘要中语句的信息量以及可能的信息冗余。2、基于上述研究,本文提出了基于上下文信息的语句可信度度量方法、语句语义特征提取方法、以及基于动态选择的摘要生成方法,来提高Bug Report摘要生成方法的质量。其中,语句可信度度量方法衡量Bug Report中语句是否可信,并通过将深度学习与传统分类方法结合的方式提高预测准确率。语句语义特征提取利用自编码器模型来提取语句语义特征,而基于动态选择的摘要生成方法则在摘要生成时优化所生成摘要的整体信息量。3、本文设计并实现了一种上下文深度理解的Bug Report摘要方法Bug Sum,通过将上述三种方法高效的结合来为Bug Report生成准确、可信的高质量摘要。本文依据所提的参数,设计了大量的实验来证明所提方法与设计的有效性。实验结果显示,Bug Sum在两个公开数据集和一个本文构建的数据集上,相比8个基线方法,在多种评价指标上都表现出了明显的性能提升。其中,尤其是在争议语句处理能力上,即减少争议语句被选入摘要的可能性上,Bug Sum相较基线方法取得了64.7%的性能提升。