为了方便地管理软件缺陷,许多大规模开源项目使用软件缺陷追踪系统,以缺陷报告的形式记录、管理缺陷。软件缺陷分派是软件缺陷管理中的重要步骤,目的是分派合适的开发人员修复缺陷。缺陷修复效率对软件质量有重要影响,而高效地修复缺陷需要及时准确地分派开发人员。在大规模开源项目中,不仅每天新增的缺陷报告数量多,而且项目中存在的开发人员数量也很多。因此,软件缺陷分派需要耗费大量人力成本和时间成本。为了提升缺陷分派的效率,许多研究提出预测修复人员的方法。其中最新的一类方法使用神经网络建立分类模型。但目前这类方法使用的数据集和参数设置都存在差异,难以进行对比。因此本文根据这类方法中模型的主要特点构建相似模型,并在同样的数据集和参数设置下进行实验,从而便于对比。此外,本文使用注意力机制、标签平滑尝试改进现有模型。最后,由于缺陷属性可能会随时间而变动,如果使用错误时间点的属性值进行测试,有导致模型效果虚高的风险。因此,本文使用不同时期的属性值来研究数据误用对模型效果的影响。本文的主要研究内容有:一、以缺陷基本属性如文本和组件为特征,使用卷积神经网络、循环神经网络和注意力机制构建模型。二、以缺陷派生属性组件内历史修复人员序列为特征构建模型,探索人员序列本身和根据人员序列计算的动态标签平滑对模型效果的影响。三、探索增加缺陷报告提交者特征对模型效果在整体上及不同类型缺陷报告上的影响。四、探索由属性变动导致的数据误用对模型效果的影响。本文的主要结论有:一、特征对模型效果的影响程度远大于网络类型对模型效果的影响程度。单独使用派生属性特征的模型就能得到比使用基本属性特征的模型更好的效果。二、动态标签平滑可以提升预测修复人员中靠后部分的准确率,静态标签平滑可以提升预测修复人员中靠前部分的准确率。三、加入缺陷提交者特征后的模型效果提升,基本来自于缺陷提交者同时为缺陷修复者的缺陷。由于提交者可以直接将缺陷分派给自己,因此在实际应用中这部分提升的价值有限。四、各种属性变动对模型效果都有明显影响,属性变动的影响程度从高到底依次为历史修复人员序列、组件、文本。