维护软件系统的可跟踪性是软件管理和开发中的重要任务。但是在实践开发中,由于时间进度的压力,可跟踪性链接常常得不到及时更新和维护,甚至经常处于缺失状态。手动维护软件项目的可跟踪性链接耗时耗力,并且容易出错,因此这种方法仅适用于小型项目。针对这一问题,许多研究尝试使用基于信息检索(Information Retrieval,IR)的方法来使此任务可以自动化地完成。但是,该方法通常直接计算软件工件的文本相似度,而忽略了不同软件工件所具有的特定属性,返回的结果往往准确性较低。通过分析大量研究中存在的问题,本文对如何有效地利用软件工件中的语义信息和关键特征来提高可跟踪性恢复任务进行了深入研究并提出了一种软件可跟踪性恢复的组合方法,将机器学习和逻辑推理相结合,充分探索软件工件的信息。本文的研究专注用例到源代码的可跟踪性链接。一方面,基于领域知识,提取出用例和源代码的关键特征,并使用通过机器学习分类算法训练得到的分类器来进行可跟踪性链接恢复。另一方面,发掘工件之间的关系特征,定义了一系列规则来进一步恢复更多的可跟踪性链接。特别是,本文不仅关注源代码之间的结构信息关系,而且还考虑了用例之间的关系信息。本文从以下几个方面显着扩展和改进了可跟踪性恢复任务。·基于领域知识,提取了对于软件可跟踪性恢复任务至关重要的信息作为特征,有效地利用软件工件中的信息来恢复软件工件之间的可跟踪性链接。·根据软件工件中的关键信息特征将软件工件之间的可跟踪性链接转化为向量,并使用机器学习分类算法来进行可跟踪性恢复任务,高效地恢复软件工件之间的可跟踪性链接。·分析和利用了源代码,特别是用例之间的关系信息特征,并且定义了一系列逻辑推理规则来进一步捕获缺失的可跟踪性链接。将本文提出的方法在多个数据集进行了一系列实验,并与相关研究的最新方法进行比较,结果表明本文提出的方法明显优于其他相关研究的方法。