异常是一种用于处理软件或信息系统中出现的特殊状况的程序语言机制。现代程序语言,如Java、C#等,大多都具有完善的异常处理流程与规范。开发人员用于处理这些异常与错误的常用方式是利用Google与Bing等通用搜索引擎进行检索,找到建议的解决方案。然而,通用搜索引擎由于检索语句长度以及匹配算法的限制,并不能很好的理解与处理异常信息的查询,结果往往并不理想。针对软件异常缺陷处理方案的智能推荐相对于传统搜索引擎,能更为快速准确地找到解决方案。然而传统的推荐往往都是针对广义的程序问题进行推荐,不能挖掘异常信息本身的特点来实现更为针对性的推荐。Stack Overflow与Git Hub是现在流行的软件问答社区以及开源分享社区,包含了大量的软件开发、错误与异常处理的资源。因此本文研究针对软件异常,基于Stack Overflow或Git Hub等在线社区资源进行提取与整合,实现高效、准确的解决方案的智能化推荐,提高软件开发与异常处理的效率,具有良好的研究价值和应用价值。针对以上问题,本文提出了基于Stack Overflow的软件异常抛出问题的在线线索推荐和专家推荐方法。该方法通过分析程序异常特有的关联与结构化信息,构建异常资源树,提出了与异常资源树相关的特征,并对异常相关缺陷错误与专家进行建模;构建支持向量机和学习排序的算法模型,基于大量社区数据进行模型训练,进而通过训练得到的模型实现智能化的推荐。本文的主要贡献包括:（1）通过解析异常堆栈中的关联结构,挖掘异常类型间的继承关系,提出了异常相关资源间的关联算法,构建了异常资源树,将Stack Overflow与Git Hub的跨域资源挂载在同一种体系结构中。（2）提出了文本特征、程序特征和异常资源树特征的三种不同类型的关联特征,进行了有监督的机器学习模型训练,进而实现了针对程序异常错误的在线线索的智能推荐。（3）针对软件异常缺陷错误以及专家进行建模和计算,提出基于兴趣匹配和能力匹配的两种不同类型的关联特征,实现了针对程序异常缺陷修复的Stack Overflow专家的智能推荐。（4）提取并分析大量Stack Overflow与Git Hub在线数据,并进行了丰富的实验对比与分析。实验结果表明,本文的推荐方法在平均检索精度、平均倒数排名以及召回率等指标上相对于现有方法都具有明显的优势。