随着软件规模和复杂性的不断增加,软件缺陷变得不可避免,这就导致软件维护变得相当重要,而Bug修复活动是软件维护中的重要环节。Bug修复活动中最主要的任务就是对Bug报告的管理。目前,有很多管理Bug报告的网站,其中被广泛使用的有开源的Bugzilla仓库。当Bug报告被提交时,网站管理人员会判断这个Bug的严重程度,从而根据其严重性来判断这个Bug的紧急程度,制定合理的修复方案以节约修复时间。所以Bug严重性预测是Bug修复的一个重要前提。在判断完Bug的严重程度后,管理人员将会分派合适的开发人员修复Bug。如果分派了不合适的人员修复,那将会重新分派,这会加大Bug的修复周期和人工成本。所以快速找到合适的修复者也是很重要的环节。现在,以上叙述的工作大部分由人工操作完成,造成了人员的极大浪费,也导致了Bug修复堆滞。本文提出了基于神经网络的Bug严重性预测和修复者分派模型,可以自动对Bug报告的严重程度进行预测,然后为其分派合适的开发者进行修复。在我们的方法中,首先一改以往研究只将Bug的描述性语句作为原始数据的方法,我们考虑了多维度的数据,例如部件、提交者、硬件平台等不同维度、不同类型的数据;另外在Bug严重性预测模型中使用了改进的GRU循环神经网络模型,注意到了循环神经网络在进行文本处理时可以将词序考虑在内的优点;在Bug修复者分派模型中,不仅考虑将双向GRU用在其中,还考虑到卷积神经网络在对文本的自动特征提取中的突出优点,将二者优点结合起来,并对单个模型的结构作出了一些改进,构成新的结合模型CNN-RNN。为了验证本文提出的方法,本文从Bugzilla网站中提取了5个开源软件的产品(platform,cdt,jdt,pde and birt)中的总共180,000个Bug报告进行实验。实验结果表明,我们的方法在预测Bug严重性时,取得了比较高的准确率和召回率(0.71~0.82);在分派Bug修复者时,top5的准确率达到了65%以上,top10达到了80%以上。以上数据证明,我们的方法优于以往提出的朴素贝叶斯和基于主题模型的方法。为之后这个领域的研发人员提供了一定的参考意义。