代码异味是由开发人员不良的编程习惯或者违背设计原则而引入的深层次软件质量问题,是糟糕的代码或设计的体现。在实际的软件系统中,一个类或方法可能同时存在多种代码异味,且一些代码异味有一定的相关性,一起频繁出现的概率较大,它们之间的相互作用使得代码的可读性和可理解性降低,增加了软件系统的复杂度和可维护性难度,从而导致软件质量明显下降。此外,代码异味有多种出现形式,如方法级的代码异味往往引起类级的代码异味,这种出现顺序对建议重构策略有很大的作用。多标签分类任务适用于检测上述至少存在一种代码异味的情况,该方法可将具有相关性的代码异味对视为一个标签组,更好地考虑它们之间的依赖关系,但现有的多标签代码异味检测方法未考虑同一标签组中多种代码异味的出现顺序。因此,本文结合代码异味的相关性和出现顺序,提出了一种基于排序损失的集成分类器链(ensemble of classifier chains,ECC)多标签代码异味检测方法,主要工作内容如下:(1)代码异味相关性:采用关联规则和因子分析挖掘代码异味相关性,将得到的相关代码异味对构建成多标签数据集(multi-label dataset,MLD);(2)算法性能对比:比较逻辑回归(logistic regression,LR)、支持向量机(support vector machine,SVM)、C4.5、随机森林(random forest,RF)以及extreme gradient boosting(XGBoost)检测结果,确定适用于代码异味检测的分类器;(3)代码异味检测顺序:考虑同一代码组件中多种异味检测顺序的影响,模拟代码异味的生成机理,并将排序损失作为多标签分类的损失函数,以其最小化为目标,选择最优的标签序列集,从而检测出同一代码元素是否存在上述相关代码异味对。本文基于4个Java开源系统的9种代码异味进行实验。首先,通过验证实验,发现固定的标签顺序不能有效地考虑代码异味之间的相关性;其次,比较了在本文提出的多标签方法框架下树分类器的检测结果,发现XGBoost的效果较优;再者,对比分析了同一分类器下,本文方法和其它2种多标签方法分类器链(classifier chains,Cl C)和ECC的检测效果,结果表明本文多标签方法优于现有的多标签方法;最后,对单标签分类和本文多标签方法下每种代码异味的检测结果进行分析,进一步证实了本文方法的有效性。