软件开发过程中,测试人员或者用户在发现软件异常后,会形成描述相关缺陷的软件缺陷报告提交到缺陷管理系统中,开发人员需要分析缺陷报告从代码文件库中找到缺陷所在位置并修复。为了以更少的成本完成生产环境中的软件缺陷定位,研究人员提出了多种自动化地解决软件缺陷定位的方法。基于信息检索的软件缺陷定位方法将缺陷定位视作检索任务,为每一份缺陷报告生成一份按照程序模块与缺陷相关性降序排序的列表。然而目前方法在性能上存在可提升空间,为此,本文以缺陷报告和代码文件为主要研究对象,从改进代码表征和相关性表征的角度,研究基于图嵌入和多特征增强的软件缺陷定位方法,提高软件缺陷定位的性能。本文主要的研究内容和成果如下:第一,针对基于深度学习方法的缺陷定位方法在缺陷报告和源代码潜在语义表征上不足的问题,提出基于双向注意力的神经网络缺陷定位方法和基于图嵌入的代码结构特征提取方法。使用双向注意力机制增强代码和缺陷报告的相互潜在语义表示,解决代码的语句间特征聚合不佳、代码与缺陷报告隔离学习和表示的问题;使用图注意力网络对代码的改进抽象语法树进行代码层次结构特征提取,解决代码结构表征不恰当的问题。第二,采用基于传统检索方法的缺陷定位方法对缺陷和代码文件关联特征进行表征。在保证有效性的前提下,结合多数据源的多角度信息,通过特征分析提取多角度的缺陷倾向性特征对缺陷和代码文件的关系进行表征,进一步提出基于深度神经网络的多特征缺陷定位方法,融合多角度特征以捕获缺陷和代码的潜在相似度分数。第三,针对目前方法对缺陷报告的过度依赖而缺陷报告质量不可控的问题,本文进一步提出基于图嵌入和多特征增强的软件缺陷定位方法,融合本文从多特征、双向注意力、图嵌入三个角度提出的三种方法,在优化对缺陷报告和代码文件语义特征提取的同时,从多角度增强缺陷报告和代码文件的关联性表达。在Tomcat和Aspect J缺陷定位数据集上进行实验,对本文方法与其它同类方法进行比较,验证本文方法具有更佳的软件缺陷定位性能。