在缺陷修复过程中,开发人员通常需要利用历史缺陷存储库或其他缺陷资源中的相关的历史缺陷信息,以支持诸如缺陷预测、缺陷定位、缺陷根本原因预测等多项缺陷分析工作,从而能够更好地完成缺陷修复工作。缺陷文本中包含了丰富的语义信息,有效地获取并利用这些信息对于缺陷理解至关重要。然而,目前缺陷研究领域常常是利用传统的关键字匹配技术获取相关的缺陷信息,反馈的信息常常与用户所需缺陷信息并不相关,甚至包含了很多只匹配了某个单词或者字符的无效信息。这些软件资源平台自带的搜索引擎已渐渐无法满足用户信息获取的需要。自然语言问答技术的蓬勃发展,为高效获取缺陷信息提供了一种新的思路。另外,缺陷文本信息本身形式并不统一,非结构化数据和半结构化数据交相混杂,这给缺陷信息理解工作带来了极大的阻碍。针对上述问题,本文从缺陷信息理解的角度出发,就面向软件缺陷的问答技术开展研究。本文首先提出了基于结构化模板的缺陷问答,从缺陷数据中抽取实体和实体关系以构成SPARQL模板,将自然语言问答处理成基于结构化模板匹配的缺陷问答;其次,利用深度学习模型,将缺陷问答问题转换成缺陷自然语言阅读理解任务,提出了基于预训练模型的缺陷问答。具体工作如下:(1)面向软件缺陷领域提出了基于结构化模板的问答。首先,根据缺陷数据的特性,定义了在这项工作中的一些基本概念以及介绍了数据准备工作;然后,介绍了结构化模板的构建过程以及如何利用结构化模板进行问答;最后,利用Bugzilla项目管理库中Mozilla和Eclipse两个项目中的缺陷文本数据完成实证研究工作,并与现有的问答方法进行实验对比。从结果上看,缺陷问答任务在Mozilla和Eclipse两个项目上的问答效果优于现有的问答方法。(2)面向软件缺陷领域提出了基于预训练模型的问答。由于目前在缺陷研究领域没有公开的大规模缺陷数据集可用于缺陷问答研究,所以选择利用大规模的开放领域问答数据集训练BERT模型,然后构建一个小规模缺陷领域问答数据集微调此预训练模型。在这项工作中,创新性地将缺陷问答问题转换成缺陷自然语言阅读理解任务,并为此任务定义特意设计了一组规范来构造缺陷阅读理解数据集。实验结果表明:构建缺陷阅读理解数据集切实可以提升缺陷问答效果,并在Mozilla和Eclipse两个项目上的问答效果优于现有的一些问答方法。(3)从缺陷数据理解的角度出发,结合结构化模板和预训练模型的优点,设计并实现了面向软件缺陷的问答平台。该平台面向软件开发、维护以及软件领域相关的研究人员,包括缺陷事实三元组抽取、缺陷结构化模板生成、缺陷问题重构以及缺陷数据问答四个模块,旨在帮助他们通过自然语言问答的形式高效获取并理解缺陷数据,从而达到加速缺陷修复的目的。