软件缺陷是软件系统中需求、体系结构、设计和应用上的错误。测试人员发现缺陷,将缺陷记录在缺陷报告中,通过缺陷报告将缺陷告知给开发人员,并对缺陷进行追踪和管理。缺陷报告是测试人员与开发人员之间重要的沟通方式。正确预测软件缺陷严重性,有助于及时将各种缺陷报告分派到合适的开发者手中,使其对缺陷进行修复,进而提高缺陷修复的效率与质量。现有的缺陷报告严重性预测手段主要是使用机器学习或深度学习方式从大量的缺陷报告文本中提取严重性相关的特征,利用这些特征进行预测。传统的严重性预测方式大多基于缺陷报告Summary文本进行,然而由于Summary较为简短,信息可能不足,本文研究了融合Description和Summary信息来进行严重性预测的方法。为了去除Description中的噪声,本文研究了标签替换的去噪方式和基于图排序的关键词抽取算法,通过以上方式获取更精练的Description信息。然而基于图排序关键词抽取的严重性预测模型和传统的严重性预测方式都存在一个共同的问题,较为关注文本内容本身与严重性之间的联系,忽略了目前待预测的缺陷报告可能和其他缺陷报告之间的联系。为此我们考虑使用图卷积神经网络来缓解此问题。相比其他图神经网络,图卷积神经网络存在共享参数的机制,并且每个节点包含邻居节点的信息,高层图卷积可以把邻居信息携带进来,再进行计算的时候信息更充分,层数更多,感受域更加广泛。本文研究了基于频谱卷积的图卷积神经网络和基于非频谱卷积的图卷积神经网络,分别提出了基于频谱卷积GCN的缺陷报告严重性预测模型和基于非频谱卷积GCN的缺陷报告严重性预测模型。图卷积神经网络抽取特征时会破坏文本语序信息,因此本文将Bi-GRU结合图卷积神经网络来进行改进,并且通过子图采样的方式缓解了严重性预测时邻居爆炸的问题。基于频谱卷积的图卷积神经网络存在不能在线处理的问题,需要将整个语料库缺陷报告建图,在实际工作过程中存在不便。为了缓解这一问题,本文研究了基于非频谱卷积的图卷积神经网络,用单个缺陷报告文本建图来代替整个语料库建图,缓解了在线处理的问题的同时保留了缺陷报告之间联系的信息。为了提高模型的泛化能力,减少单独子任务的噪音。本文提出了将图卷积神经网络与多任务学习结合的缺陷报告严重性预测模型,并且为了针对下游子任务更好地融合语义信息特征和全局信息特征,本文研究了使用Transformer来进行特征融合,通过Transformer更好地分配每个特征的权重,使得对特定的任务,模型能学到最适合该任务的特征。相比现有方法,该模型在F1值指标上提升了5%左右。