软件开发过程中,涉众会针对架构设计、编码、测试和项目管理等做出各种决策,每个决策都会对软件系统产生积极或消极的影响。识别和记录这些决策对于项目开发和维护有着至关重要的作用。一方面可以帮助涉众组织开发中的各类知识、有助于减少知识蒸发。另一方面,有助于涉众对之前做出的决策进行回顾、分析、改进和重用,从而帮助他们在类似的情境下做出更加合适的决策。然而,由于有限的人力、时间和预算,项目中的决策往往没有被很好地记录在文档中。这些决策可能隐式地存在于各种交流平台中,例如问题跟踪系统和开发者邮件列表。此外,随着机器学习和深度学习的不断发展和完善,使用自动化技术从大量的文本中提取有用的信息成为软件工程领域的重要趋势。基于上述研究背景,本文对开发者邮件列表中的决策进行了探索性研究。为了帮助涉众深入地了解软件开发中所制定的各类决策、全面地认识决策过程以及使用自动化方法识别决策,在本文中,我们首先根据纳入和排除标准对Hibernate开发者邮件列表中的9006封邮件进行人工标记,然后从决策表达、决策类别、决策原理、决策方法、相关制品和开发中的决策趋势六个方面对抽取的决策进行分析。最后,我们进行了自动化实验,将文本中的句子分为决策句子和非决策句子两个类别。在本实验中,我们使用了三种数据预处理方法、四种特征提取技术和七种分类算法,共计形成了112种分类器配置。我们评估和比较了所有分类器配置的性能。人工标记和分析决策的研究结果表明:（1）涉众使用三种语言模式表达决策,信息提供、解决方案提供和特征请求;（2）开发者邮件列表中包含了五种决策,设计决策、需求决策、管理决策、实施决策和测试决策;（3）涉众做出决策的主要原因是非功能性需求、功能性需求和管理需求;（4）涉众在制定决策时使用了七种方法,问题构建、约束分析、风险分析、选择分析、归纳推理、演绎推理和折中分析;（5）决策制定过程中涉及了六种软件制品,设计文档、需求文档、贡献者指南、配置文档、发行说明文档和许可证文档;（6）决策贯穿软件开发和维护的整个生命周期。自动实验结果表明,在从文本中识别决策时:（1）在数据预处理阶段,不应进行词干化和词形还原操作,也不应过滤过短的句子;（2）在使用机器学习识别决策时,Bo W技术比TF-IDF技术的整体性能更好;（3）在使用机器学习识别决策时,LR算法的整体性能最好;（4）在使用深度学习识别决策时,Word2Vec技术比Fast Text技术的整体性能更好;（5）在使用深度学习识别决策时,RCNN模型比Text CNN模型的整体性能更好;（6）包含停用词、无词干化和词形还原、不过滤数据集、Fast Text和RCNN组合的性能表现最好（精确率为0.682,召回率为0.926,F1-score为0.785）。