软件缺陷预测技术可以预测出软件系统中存在缺陷的可能性较高的软件模块,从而帮助开发和测试人员优化测试资源分配以在有限的时间和资源条件下尽可能多地发现和修复软件缺陷。然而,在实际的场景中,某些软件项目本身的缺陷数据不足,难以构建有效的缺陷预测模型;而直接使用其他软件项目的缺陷数据训练得到的模型,也通常无法获得令人满意的预测性能。因此,利用其他软件项目的缺陷数据为目标软件项目构建有效的缺陷预测模型,即跨项目缺陷预测(Cross-Project Defect Prediction,CPDP),吸引了国内外研究人员的广泛关注。本文提出了一种基于ASTToken2Vec、双向长短期记忆(Long Short-Term Memory,LSTM)模型和注意力机制的CPDP方法。首先,通过简化的抽象语法树(Simplified Abstract Syntax Tree,S-AST)对软件模块进行建模,并基于S-AST提取Token序列。对于S-AST中的每个节点,只保留了与项目无关的结点类型,而忽略其他可能是某些项目特有的信息(如变量名和方法名等)。这种不依赖于项目特有信息的建模方法适用于CPDP。其次,为了构造Token序列的语义表示,提出了一种无监督的向量表示学习算法ASTToken2Vec,从S-AST的树状结构中自动学习Token的语义表示,进而构造Token序列的语义表示。再次,提出通过双向LSTM从Token序列中提取上下文语义特征,并通过注意力机制对Token序列中的不同部分赋予不同程度的关注,如对缺陷强相关的部分赋予更多关注,最终基于自动学得的特征构建CPDP模型。最后,为了验证方法的有效性,以真实的大型开源项目作为实验对象,在大量的源-目标项目对上进行了广泛的实验,并应用统计分析方法对实验结果进行分析。实验结果表明:ASTToken2Vec算法可以有效地学习Token序列的语义表示并可以显著提升缺陷预测的性能,基于ASTToken2Vec、双向LSTM和注意力机制的CPDP方法的预测性能显著优于其他5个最先进的CPDP方法。综上所述,本文提出的基于ASTToken2Vec、双向LSTM和注意力机制的CPDP方法,显著地提高了CPDP的性能,并验证了基于深度学习的CPDP的有效性及发展潜力。