一条完整的漏洞描述应当具备六种关键信息:漏洞类型、根本原因、受影响的产品、影响、攻击者类型和攻击载体。这种漏洞信息的组合方式可以方便软件维护人员有效地管理,缓解和预防日益增多的软件漏洞。然而,在通用漏洞数据库（CVE）中存在着较为严重的关键信息缺失问题。关键信息的缺失会导致研究人员无法准确的分析漏洞的状态和特征,致使许多基于漏洞报告进行的研究在结果上产生较大的误差。尽管现有的漏洞报告正在随着漏洞分析人员理解和认识的深入被不断的更新,但是在海量的软件漏洞面前,仅靠人工补全漏洞缺失的关键信息将是一项巨大的工程。针对上述问题,本文先后设计了两种不同的解决方法,并且分别在现实场景中验证方法的效果。一方面,本文从多个漏洞数据库之间的信息互补性入手,提出了基于多数据库的关键信息融合方法（AAMSD）。首先按照漏洞数据库中的引用链接将不同数据库中记录同一漏洞的描述文档整合到一起,设计基于神经网络的命名实体识别模型从这些漏洞描述文档中抽取六种关键信息。然后选择CVE作为待补全库,利用其余漏洞库中对应漏洞描述信息之间的互补性来补全CVE中的描述。最后进行了大量的实验,探索了最适合关键信息抽取工作的神经网络结构,并且将补全之前的CVE和补全后的CVE进行对比,观察AAMSD的效果。另一方面,本文从关键信息之间的关联关系入手,设计了一种基于深度学习的漏洞缺失关键信息预测方法（PMA）。首先总结每种关键信息的特性,并且划分细粒度的类别。然后设计基于神经网络的漏洞信息多分类器,将漏洞信息补全问题转换为预测问题。最后通过实验探索最适合该分类任务的模型设计与神经网络结构,并且探索每种关键信息对其它关键信息预测工作的影响。本文进一步模拟现实场景对两种方法展开评估,分别从AAMSD提升漏洞严重性等级预测性能、PMA帮助漏洞报告更新以及PMA帮助补全新出现的漏洞报告三个角度出发,通过大量的实验验证两种方法在现实场景下的意义以及有效性,为分析漏洞特性以及基于漏洞报告开展研究工作提供帮助。综上所述,本文从信息融合和信息预测两个角度出发对漏洞关键信息进行补全,并且基于大量的实验验证AAMSD和PMA方法的可行性。漏洞关键信息的补全可以更好的帮助研究人员开展基于漏洞描述的研究工作,同时减少漏洞更新和迭代过程中的人力和时间成本。