近年来,随着软件规模的不断扩大,软件安全问题愈发突出,导致软件维护的成本越来越高。在软件维护中,软件缺陷严重程度的识别与缺陷定位是两项非常重要的任务。然而,采用人工的方式识别软件缺陷的严重程度,然后手动定位相应的文件进行缺陷修复是一项非常耗时且乏味的工作。因此,如何实现软件缺陷严重程度识别的自动化并自动定位软件缺陷是一项非常有挑战且充满意义的任务,可以帮助开发人员快速修复软件缺陷,提高软件维护的效率,为软件安全与质量提供有效的保障。目前,研究人员提出了许多先进的方法来实现软件缺陷严重程度的识别和缺陷的定位,但是这些方法在性能上仍有提升的空间。基于此,本文从挖掘软件缺陷报告特征和软件缺陷报告与源代码文件的语义相似度两个角度出发,分别提出了基于深度学习和元启发式算法的软件缺陷严重程度识别和软件缺陷定位的方法。本文的主要工作体现在如下方面:(1)针对软件缺陷严重程度识别问题,本文提出了一种结合遗传算法和卷积神经网络的软件缺陷严重程度识别的方法(Defect Report Severity Prediction Based on Genetic Algorithms and Convolutional Neural Network,GACNN)。该方法首先预处理软件缺陷报告,并通过遗传算法(GA)选择文本特征。然后,使用Word2Vec模型为每个软件缺陷报告中选定的特征生成单词向量。最后,本文基于卷积神经网络(CNN)训练分类器,并利用训练有素的分类器来预测软件缺陷的严重程度。实验结果表明,GACNN方法的平均精度为77.38%,召回率为62.09%,F1值为68.76%,分别比最佳基准方法高出11.61%、7.23%和9.32%。(2)针对软件缺陷定位问题,本文提出了一种结合句嵌入技术和粒子群优化算法的软件缺陷定位方法(Defect Localization Based on Sentence Embedding and Particle Swarm Optimization,SPSO)。SPSO方法首先对软件缺陷报告和源代码文件进行预处理,并根据驼峰命名规范,分离组合词。其次,利用SIF计算软件缺陷报告与源代码文件之间的语义相似度,并基于TF-IDF计算两者之间的表面词汇相似度。然后,计算缺陷文件的修复时间与修复频率,并计算协同过滤分数。最后,利用粒子群优化算法(Particle Swarm Optimization,PSO)优化各个分数的权重值,得到综合分数。实验结果验证了SPSO方法的有效性,其平均MAP值为0.43以及MRR值为0.50。