近年来,随着信息技术的高速发展,计算机软件已经被应用到社会的各行各业中。然而,由于资源、时间和业务等因素的影响,开发者往往提交一些不规范的代码,从而影响了软件中的代码质量。技术债务是指开发者为了满足短期需求(如软件发布计划、预算等)而牺牲长期代码质量所导致的后果。为了帮助软件开发者识别软件中的技术债务,研究者已经提出了许多自动或半自动方法。目前,通过代码注释来检测技术债务是最流行的检测方法。但是,研究表明技术债务的代码注释通常存在长度差异明显、占总注释的比例小和不同项目间描述风格差异大等问题,从而导致已有方法的效果仍不理想。另外,已有研究仅仅聚焦在技术债务的检测问题上。然而,在实际中,开发者需要对检测到的技术债务做进一步分类,这是一个非常消耗时间的工作。本文针对以上问题展开研究,深入分析代码注释中的技术债务实例,帮助开发者更高效地识别技术债务。本文的主要工作包括如下两个方面:(1)为了识别技术债务,本文提出了一种基于注意力机制和双向长短期记忆网络的自承认技术债务检测方法。该方法首先对代码注释进行预处理,然后使用Glo Ve模型训练词向量,最后利用双向长短期记忆网络和注意力机制学习注释中的文本特征来构建分类器。在训练分类器时,本方法使用平衡交叉熵损失函数解决样本不均衡问题,并且使用遗传算法为平衡交叉熵损失函数的平衡因子寻找最优或近似最优值,从而提高模型的泛化能力。基于真实数据集的大量实验表明,该方法的平均精度为81.75%、召回率为72.24%、F1值为75.86%,分别比最佳对比方法高出8.52%、5.24%和6.64%。(2)为了有效识别不同种类的技术债务,本文提出了一种基于XGBoost的自承认技术债务多分类方法。该方法首先对代码注释进行预处理操作,其次使用数据增强策略增加数据集中小类的样本数量,以解决类不均衡问题,然后利用特征选择方法对代码注释进行特征选择处理,最后使用XGBoost构造分类器。基于真实数据集上的大量实验表明,该方法在技术债务分类方面平均能达到63.14%、56.37%和56.25%的宏平均精度、宏平均召回率和宏平均F1值,分别比最佳对比方法高出12.29%、3.77%和6.46%。