大型软件的调试往往需要花费大量人力和时间,因此自动化的软件故障定位方法成为更好的选择。现有故障定位方法大都基于用例的覆盖信息进行分析,没有完全考虑测试用例运行时的顺序信息。另一方面,多线程程序由于测试用例的执行信息难以收集,故障定位面临着许多困难。针对上述问题,从测试用例的执行路径着手,开展了两方面的工作。首先,针对故障定位时测用例执行信息描述不完备的问题,对故障程序进行控制流分析,提取代码中的基本块信息;通过程序插桩的方式,获得测试用例执行时的路径信息;然后对路径信息进行编码,得到路径序列;构建一个多输入、单输出结构的循环神经网络,将路径序列作为网络输入,将测试用例的执行结果作为网络输出,训练循环神经网络;将一组虚拟测试用例输入训练好的网络中预测代码块的怀疑度,最终得到代码块怀疑度排名。其次,针对多线程程序测试信息难以获取的问题,使用限界模型检测技术对多线程程序进行性质验证,获得导致程序运行失败的反例;从反例中获取输入参数、线程的执行顺序、线程间上下文切换等信息,得到线程的执行序列;通过程序转换框架,将多线程程序转换为等价的顺序程序;最后,将反例中的输入参数、线程的执行顺序作为转换后的程序的输入,对转换后的程序进行限界模型检测,最终得到的反例所为故障定位的结果。针对上述两项研究内容,分别在Siemens测试套件和SCTBench数据集上进行了单线程程序和多线程程序的故障定位实验,并对实验结果进行了分析,验证了所提方法的正确性和有效性。