随着各领域对软件需求的提高、信息处理量的剧增,使得软件系统的规模日益庞大、结构日趋复杂。如何有针对性地进行软件故障定位,快速、准确地检测到缺陷程序,提高软件程序的调试效率,仍然面临挑战。针对较大规模软件以及同一软件升级版本故障定位效率低、准确性不高等问题,本文以程序源码为研究对象,面向软件单故障定位和软件多故障定位两个不同场景,采用传统的机器学习技术和最近的深度学习技术作为解决方案的基本组成,开展软件故障定位方法研究,具体的研究内容如下:1.在软件单故障定位场景下,针对现有的基于神经网络的软件故障定位方法中存在覆盖特征矩阵规模大、含有重复信息等问题,研究了基于卷积神经网络的软件故障定位方法。该方法设计了一种函数与分支粒度的覆盖特征矩阵,用于去除原覆盖特征矩阵中的冗余信息。进一步地,提出了基于卷积神经网络的软件故障定位模型,利用深度学习的特征提取能力,对程序测试用例集的执行信息进行特征学习,进而实现对程序语句可疑性的评估。在7个基准程序数据集上进行实验,并与其它代表性的软件故障定位方法进行对比分析,实验结果表明提出的方法可以平均减少9.16%的代码检查量,在85.71%的实验场景中表现了更高的故障定位效率,验证了方法有效性。2.在软件多故障定位场景下,针对现有的基于聚类算法的故障定位方法在度量测试用例之间的距离时忽略了排名影响的问题,提出了一种用于软件多故障定位的聚类算法。该算法中设计了基于排名权重的距离度量方式,并提出了一种新的集群数目预估算法。在7个基准程序数据集上进行实验,与其他两种代表性方法进行对比分析。实验结果表明本文提出的方法可以平均减少29.6%的代码检查量,在93.45%的实验场景中表现了更高的故障定位效率,验证了方法有效性。3.基于上述研究成果,设计并实现一套软件故障定位系统。该系统分为软件程序处理和程序语句可疑性评估两部分,前者负责程序执行信息的采集与预处理,后者负责是单故障和多故障场景下的软件故障定位方法实现,并给出了实现结果。