随着软件行业的迅速发展,人们对于软件产品的质量要求也日益提升。近年来,软件缺陷预测技术由于其能在软件生命周期早期发现潜在缺陷的能力而受到研究人员的关注。代码语义特征能够捕获源代码文件或者代码变更中所包含的语义信息,一经提出便受到众多研究人员的青睐。本文基于代码语义特征,针对代码文件粒度缺陷预测中特征融合研究较少、代码提交粒度缺陷预测中深层语义特征匮乏以及文件修改粒度缺陷预测相关研究缺失等问题,提出了以下三种缺陷预测方法:（1）针对代码文件粒度缺陷预测中特征融合研究较少的问题,本文提出了一种基于分层门控长短期记忆网络的缺陷预测方法。该方法将代码文件抽象语法树节点序列与词嵌入技术结合生成语义特征,然后利用分层长短期记忆网络对语义特征和传统特征分别进行进一步的特征提取,再通过自学习门控机制对分层网络的输出以最优比例进行特征融合,从而提高缺陷预测的性能。在10个开源项目上进行的实验结果表明,该方法在非工作量感知和工作量感知场景下的性能表现均优于已有工作。（2）针对代码提交粒度缺陷预测中深层语义特征匮乏的问题,本文提出了一种新型的基于代码抽象语法树变更的语义特征——抽象语法树变更词嵌入模型。该特征通过将代码的抽象语法树变更序列与词嵌入技术相结合来生成代码变更的深层语义表征。本文在6个开源项目上进行的实验结果表明,基于该特征的实时缺陷预测方法在同项目和跨项目、非工作量感知与工作量感知等多个场景下的性能表现均优于已有工作。（3）针对文件修改粒度缺陷预测相关研究缺失的问题,本文提出了一种基于语义特征的文件修改粒度实时缺陷预测方法。该方法将抽象语法树变更词嵌入模型运用于文件修改粒度来获得文件修改粒度的语义变更表征,从而将实时缺陷预测的粒度由代码提交粒度细化至文件修改粒度,使得缺陷预测结果具有更精确的指导意义。本文在6个开源项目上进行的实验结果证明了该方法的有效性。