在软件开发过程中,用户或测试人员在发现被测软件异常情况后,会提交描述相关问题的缺陷报告,开发人员需要仔细分析缺陷报告并查看众多源代码以找到原因,需要大量的时间和精力。为了提高整个软件团队的效率和生产力,研究人员提出了自动化的缺陷定位方法和工具,旨在定位这些包含缺陷的源代码文件,以供开发人员使用。基于信息检索的缺陷定位方法通过从缺陷报告和源代码中提取基本信息,计算缺陷报告与源代码之间的相似性,对源代码文件进行排序,实现对含有缺陷的源代码文件的自动推荐。然而,这些技术在性能上仍有较多的可提升空间,在实践中难以得到推广和应用。针对上述问题,本文以缺陷报告和源代码为研究对象,从改善查询源和应用特征分析的角度,研究基于信息检索的多特征缺陷定位方法,提高缺陷定位的性能。本文主要研究内容和成果如下:第一,由于目前基于信息检索的缺陷定位法存在较多的不良查询问题,在现有分类重构方法的研究基础上,提出一种针对不良查询的自动查询重构方法,首先在伪相关反馈过程中选择文本附件进行扩展,缓解了不良查询的数量过大问题。然后使用基于两种启发式规则的动宾短语过滤方法,减少在查询重构期间可能成为噪音的词,改善了输入查询源,从而提高缺陷报告不良查询的质量。第二,针对含有自然语言的缺陷报告和含有程序语言的源代码之间存在语言不匹配问题,使用特征分析的手段来改良缺陷定位模型,从文本相似性、缺陷倾向性、协同过滤性和版本变更性等多个方面,结合改进的向量空间模型r VSM进行多特征提取,使用多层感知器将缺陷报告和源代码文件间的文本相似度与高级抽象概念联系起来,得到一种潜在相似度,实现对可疑的源代码文件的排序推荐。第三,针对现有研究存在语义失配和表征不足的问题,提出了一个基于词嵌入和多尺度卷积神经网络MCNN的缺陷定位解决方案,首先使用基于wiki语料库的word2vec预训练模型和MCNN自动提取语义特征,采用非固定大小的多尺度卷积核,解决文本深层次特征提取不充分的问题。然后基于抽象语法树和MCNN提取源代码的结构特征,避免源代码句法结构特征的缺失。利用神经网络融合多个相似度特征,得到缺陷报告与源代码相似度量。另外通过引入Focal loss损失函数,解决缺陷定位中类别不平衡的问题。在实验中与其他模型相比,验证模型具有相对更优秀的软件缺陷定位性能。