在软件开发与维护过程中,bug修复是至关重要的一个环节。快速准确修复bug的关键,是找到能修复bug的开发者,即bug分配。当前人们主要用文本分类方法来解决bug分配问题,然而该方法受到大规模且低质量的数据集的制约。为了提升bug分配的准确率,本文提出基于特征选择和实例选择的数据集缩减方案。该方案包含两方面内容：一是降低数据集的规模,二是提高数据集的质量。本文使用结合特征选择与实例选择的方法来实现这一目标。为了验证缩减方案的有效性,本文选取了两种特征选择方法和实例选择方法,基于Eclipse、Gnome和NetBeans的数据集进行实验。对每一个数据集,实验剔除了70%的属性和50%的实例。实验结果表明,利用缩减的数据集能取得比原始数据集更好的准确率。基于以上三个数据集的实验结果,本文发现特征选择和实例选择的顺序对最终的bug分配结果有很大影响。对一个新的数据集,为了能准确给出最佳的组合选择,本文对组合顺序建立了一个预测模型。实验从Eclipse和Mozilla的bug仓库中分别选取了连续ID号的300000个bug,抽样出不同大小的数据集。每一个数据集中抽取出描述该数据集的18个属性。实验结果表明,基于决策树的预测模型可以取得71.8%的准确率。