如今大型开源软件项目如Tomcat、Eclipse和AspectJ等都配置了功能强大的缺陷跟踪系统,该系统能够使世界各地的开发人员共同协作来修复某一软件缺陷,然而缺陷跟踪系统在实际运行过程中每天都会接收到大量的缺陷报告,倘若完全采用人工的方式,将缺陷报告分派给某个开发者,然后该开发者手动查找相应的源代码文件进行缺陷修复,这一流程将会耗费大量的人力和时间。因此,如何能让缺陷报告实现自动分派以及自动定位到缺陷文件是一项非常具有意义且充满挑战的任务,这对于改善大型开源软件项目的维护流程至关重要。目前,相关研究人员根据缺陷报告和源文件的特点提出了很多不同的缺陷分派以及缺陷定位方法,但是这些方法并没有考虑到不同开发者之间的协作关系、个人的能力水平和业界影响力,并且忽略了缺陷报告本身的深层语义信息。针对以上问题,本文提出了一种基于开发者社交网络的缺陷报告分派方法和基于排序学习的缺陷定位方法,主要工作如下:首先,提取缺陷跟踪系统的原始数据信息,借助该信息,根据开发者对同一缺陷的评论关系建立一个关于开发者的社交网络,并通过一定的算法将网络中具有相同修复经验的开发人员划分到一个社区,然后,根据开发者的历史修复经验和其在网络节点中的影响力对所有开发者的能力进行评估。实验表明,开发者的历史修复经验对开发者能力评估的贡献较大。最后,使用之前提取的原始数据信息建立一个缺陷报告分派模型,当新缺陷报告到来后,通过该模型预测分派给哪个社区,然后推荐该社区中能力排名最高的开发者来进行缺陷的修复。当为缺陷报告推荐合适的开发者以后,下一步的工作便是帮助开发者定位到与该缺陷报告的描述最相关的可疑源代码文件列表,以辅助其进行缺陷排查和修复。本文从缺陷报告和源代码的文本相似度、缺陷报告的修复历史、堆栈跟踪信息、API(Application Programming Interface)说明文档等多个方面进行特征值提取,并结合词向量计算工具Word2Vec挖掘缺陷报告的深层语义信息从而弥补缺陷报告和源文件的语义失配问题。此外针对Word2Vec在自然语言和源代码两者不同的语义环境下训练出现的偏差问题,提出了一种洗牌算法将语义相近的自然语言和程序语言随机混合到同一文档中生成统一的语义环境,实验表明该算法对模型预测准确度有较大提升。最后,将上述提取的特征值通过SVM-Rank算法的计算返回一个排序的可疑源文件修复列表供开发人员进行排查并修复。