近年来,随着智能手机与平板电脑等移动设备的普及,运行在移动设备上的应用程序（app）的数量也急剧增加。目前,移动设备上的移动应用程序市场内已经拥有数百万的移动应用。如此规模的移动应用的维护对于开发人员来说是一个巨大的挑战。开发人员通常需要通过软件维护方法来保证移动应用程序的质量,从而提高用户的满意度。他们通常会提交问题报告来描述在使用应用程序的过程中出现的缺陷,功能请求和其他更改。标签（例如,缺陷,功能请求等）是表明问题报告所描述问题的严重程度的重要属性。如果问题报告的标签是‘bug’（缺陷）,这意味着问题报告描述了严重错误,开发人员应该首先修复该错误。否则,如果标签不是‘bug’（例如,‘feature request’（功能请求）等）,那么开发人员可以稍后解决。近几年的研究表明,在问题报告历史仓库中有超过30%的问题报告没有标签。对于这些没有标签的问题报告,开发人员们需要花费额外的时间来人工验证每个问题报告,即决定每个问题报告的标签。人工验证每个无标签的问题报告这一过程需要消耗大量的人力资源和时间资源,因此,需要开发出自动化标签推荐方法来降低开发人员的工作量。为此,本文提出了一种自动标注无标签的问题报告的新方法。本文的主要研究内容和创新如下:本文结合了词频-逆文档频率方法,余弦相似度（cosine similarity）计算方法,自然语言建模方法Word2Vec,微软概念图,应用于问题报告仓库中的重复报告的探测的方法BM25Fext,杰卡德相似系数,对用户评论进行分类的SURF方法,设计出了四种文本相似性度量方法计算每个无标签的问题报告与用户评论之间的文本相似性以及各个无标签的问题报告和历史已标注的问题报告之间的文本相似性。作为结果,如果混合相似度分数大于阈值,则将问题报告标注为‘bug’或‘feature request’。否则,问题报告将标注为其他,这意味着它不会描述软件缺陷或功能请求。最后,本文对提出的新方法进行了实验验证研究。为了评估该方法的有效性,本文搜集了17个开源移动应用的问题报告和相对应的用户评论信息。基于这些数据对该方法进行性能评估和分析。本文使用F1评估矩阵来说明方法的性能,通过与以前的研究方法进行比较,发现本文提出的方法的F1分值高于以前的研究方法,这说明本文提出的方法可以准确的对无标签问题报告进行标注,并取得较高性能。