软件系统在其整个生命周期中会经历许多变化。代码坏味表示糟糕的编程实践,它既不是bug或者技术上不正确的事件,也不会阻止程序正常运行。然而,代码坏味的存在会成为软件潜在的弱点,可能会减缓软件的开发速度或增加未来出现错误或失败的风险。代码坏味也成为导致技术债务因素的指示器,它的存在会产生质量较差的软件,并妨碍软件的可理解性、可重用性和可维护性。因此,研究人员需要对这类代码片段进行重构,而软件重构关键的一步就是确定重构位置,代码坏味检测已成为确定重构位置的既定方法。代码坏味检测方法研究是目前研究的热点内容之一,主要分为基于度量和启发式的检测方法、基于机器学习的检测方法和基于深度学习的检测方法。然而,现有的代码坏味检测方法仍存在一些问题:第一,现有方法无法提取深层次的代码度量特征信息,检测代码坏味的准确率有待提高。第二,现有的工作主要集中在那些流行的代码坏味,如特性依恋、上帝类和长方法等,对一些不常见代码坏味（大脑类和大脑方法）关注度不够,且缺少公开可用的数据集。第三,现有方法特征提取比较单一,没有考虑到嵌入在源代码中的潜在语义信息对检测代码坏味的影响。针对目前研究存在的问题,本文提出一种基于深度学习的代码坏味检测方法MARS,并构建了两种代码坏味（大脑类和大脑方法）数据集,对两种关注度较少的代码坏味进行检测。为考虑不同特征信息对代码坏味的影响,本文提出一种基于预训练模型和多层次信息的检测方法Deep Smell,首先采用静态分析工具提取源程序中的代码坏味实例和多层次代码度量信息,并对代码坏味实例进行标记;然后通过抽象语法树解析并获取源代码中与代码坏味相关的层次信息,将其中的文本信息与度量信息相结合生成数据样本;最后使用BERT预训练模型将文本信息转化为词向量,应用GRU-LSTM模型获取层次信息之间潜在的语义关系,并结合CNN模型与注意力机制检测代码坏味。在实验中,我们从多方面来验证MARS和DeepSmell的有效性。从Github上选取了多个实际应用程序来生成代码坏味数据集,并与现有的基于深度学习的代码坏味检测方法进行比较。结果表明,MARS和DeepSmell可以有效地检测代码坏味,优于现有的检测方法。