随着开源软件运动的不断深入,越来越多的用户和开发者使用问题追踪系统(Issue Tracking System)来报告问题,包括在使用过程中发现的软件缺陷,对新功能的期望和对改进的建议等。这些问题报告中所包含的用户反馈十分有用,能够帮助提升软件质量,也能够帮助开发者更好地收集用户需求。然而,问题报告的数量十分巨大,一个项目的问题报告能达到数万条甚至数十万条,这使得人工逐一分析问题报告会耗费开发者很多的时间和精力。而且,问题报告的质量参差不齐,开发者难以第一时间将目光聚焦在更应该得到紧急处理的,与软件缺陷相关的问题报告上。因此,我们着眼于研究自动化问题报告分析,具体地说,是如何自动地从大量的问题报告中识别出与软件缺陷相关的问题报告,使得开发者能够第一时间处理并修复。问题报告通常包括标题、描述、上传者、优先级等多种属性,其中标题和描述属于文本属性。不同的问题追踪系统中问题报告的格式和属性也不尽相同,这给问题的分析和识别带来了许多挑战。现有的研究较少关注于此类自动化分析,且现有的问题分类方法难以应对跨平台的,高精度的缺陷识别任务。在本文中,我们提出了一个基于深度学习的两阶段分类方法来在问题追踪系统中识别bug相关的问题。首先,我们从GitHub和Jira上收集并预处理了约150万条问题。接着,我们训练了一个基于注意力机制的双向长短期记忆模型,作为我们第一阶段的分类。在第二阶段,我们提取了问题的描述信息和近邻的类别信息作为补充特征。我们将这些补充的特征以及一阶段获取的预测类别和概率一同输入支持向量机分类器中,获取最终结果。由于我们使用的信息是各大问题追踪系统中共有的,因此我们的模型能够支持市面上主流的各种问题追踪系统。我们的实验评估显示我们的结果能达到0.866的平均F-score,显著超过了用于对比的基线方法和其他国内外现有工作。此外,实验还分别验证了论文第一、二级分类模型的有效性,以及模型整体的跨平台性。实验证明我们的模型能够在不同平台下良好工作。