软件开发技术日益更替,由于开发的周期,项目的复杂性等原因很容易引入代码异味。研究表明代码异味会降低代码的可理解性和可维护性,致使程序出错,从而引发深层次的设计问题。所以代码异味检测对于软件开发和维护尤为重要。目前,很多优秀的方法技术用于代码异味检测。近年来,基于机器学习的检测技术成为较为主流的方法。然而,现有的机器学习方法存在两个局限性:(1)大多数文章只关注常见异味,(2)当用于不常见的异味检测时,所提出的度量是无效的,例如变更障碍代码异味。为了克服这些局限性,本文集中于三种不常见的变更障碍类型代码异味,包括Parallel Inheritance、Shotgun Surgery和Divergent Change,首次系统地研究变更障碍在机器学习领域下的识别预测并分析其特定领域的度量特征。变更障碍代码异味是指代码的一处变更会影响到许多类。而变更障碍的检测有助于提高软件代码的质量,增强代码的可读性,减轻后期维护的工作量,提高工作效率,并帮助开发人员发现可能在将来的维护工作中造成不良影响的设计问题。本文提出了基于逻辑回归的变更障碍检测算法,通过数据提取,数据预处理,数据存储和模型构建及预测来预测代码异味。首先,提取跟异味本身特性相关的特定领域的度量特征,对这些特征执行数据预处理。利用经过处理的度量构建逻辑回归模型,并对模型参数进行优化,选择最佳参数配置的模型训练数据。最后,采用训练好的模型对待检测的代码进行预测,得到异味检测反馈结果。经实验验证,该方法具有高达81.8%-100%的精确率和召回率,比现有算法提高了10-30个百分点。此外,本文还分析了所用度量的相关性和重要性,发现特定领域的度量特征对于检测变更障碍代码异味非常重要,能够使模型达到较好的性能,进而验证了度量对于异味识别的关键性作用。本科研成果有利于帮助开发者更好地设计检测此类代码异味的工具。