在深度学习领域中自然语言处理具有重要的地位。随着深度学习在这一领域的研究和计算机硬件设备的不断进步,对于文本分类算法的优化也在不断进行。目前,用于自然语言处理的算法主要有CNN、RNN、CLSTM等一些经典的深度学习模型。虽然这些模型能够较好的处理常见的文本数据,但是对于bug report这类噪声较高的文本数据,常见的一些深度学习模型无法较好地完成工作。对于一个有详细信息的bug report,如何确定该report的bug类型,是修复这个bug的工作中至关重要的一环。在获得bug的类型后,分配给相应的开发人员来解决此类bug能够极大的提高bug处理的效率。如何自动分类成为了提高效率的关键。一个bug report主要包括标题和描述信息,而通过利用这些信息进行分类面临着一个较大的挑战。由于bug report中的内容是以代码段和堆栈信息为主,这些信息导致了bug report数据的噪声较高。在常用的深度学习算法中,用来处理自然语言的算法在面对此类文本数据时,无法获得较好的分类准确率。因此,本文使用一种基于注意力机制的深度双向循环神经网络（DBRNN-A）来对Bug Report进行处理。其原理为,可以通过无监督的形式从较长单词序列中学习句子的语法和语义特征,通过注意力的机制使得模型能够记住并且关注bug report中的重要文本部分。该算法能够有效的处理较长单词序列中的上下文,并且能够有效的处理同义词直接的关系问题,较好的对数据集进行分类。在本文中,主要使用的数据集来自于syzbot所提供的bug report,syzbot是基于syzkaller fuzzer对Linux内核的模糊测试报告系统,Syzkaller是以覆盖率为指导的模糊测试器。我们通过对syzbot所提供的bug report进行处理,获取一个基准数据集,通过该数据集进行相应的实验。在实验步骤,使用不同算法模型对相同的数据集进行实验,通过设置实验精度和差异化数据集来验证DBRNN-A模型对于bug report自动化分类的性能。通过设置数据集中标题属性和描述信息属性的组合来检验输入信息的丰富性对模型准确性的影响。