软件系统中的缺陷(bug)不可避免,修复bug需要耗费大量的人力、物力以及时间。随着软件产品的规模和复杂性爆炸式增长,软件中包含的历史遗留问题导致代码量变得越来越大,越来越复杂。因此,当开发人员在面对一个bug问题时,不仅耗费大量的时间在代码的理解上,bug修复也难以入手。现有的修复方法通常对bug采用历史相似的修复操作,但是经常会导致bug不能被正确修复甚至使得bug修复变得更加困难。本文针对bug修复问题,分析了修复代码中常使用的细粒度更改操作,并根据此类细粒度更改操作提出用于bug修复的修复模板。基于此修复模板进一步提出了一种bug修复推荐方法,帮助开发人员提高修复效率。本文工作主要包含以下几个方面:(1)针对bug报告和commit报告,挖掘软件缺陷的bug报告及修复方法中使用的代码细粒度更改操作进行经验研究。研究结果表明,修复代码中的细粒度更改操作和历史相似bug并没有明显相似关系,大多数的修复都会使用常用的细粒度修复操作。(2)针对源代码文件中的修复前代码版本和修复后代码版本之间的差异,分析代码的细粒度更改操作,构建用于完成bug修复的更大粒度的修复模板。为bug代码修复提供有效的修复模板,进而提高修复效果。通过验证模板的使用频率以及模板的覆盖范围表明,该修复模板能够适用于bug并且解决部分bug问题的修复。(3)针对大量的bug问题,基于修复模板,结合基于树的循环神经网络的深度学习技术为其提供修复方案的建议。本文结合基于信息检索的bug定位技术,利用bug报告为bug问题推荐修复模板建议,通过验证模板的精确度和五位参评人员的反馈说明了推荐的修复模板是有效的。