代码异味是指源代码的次优设计或实现。迫于时间压力或其他因素,代码异味经常不可避免地被引入到软件项目中,给软件维护带来了隐患。采用人工的方式检测软件中的代码异味并提供移除建议是一项十分耗时且困难的工作。相反,自动识别代码异味并根据其表现特征进行移除推荐不仅可以提高维护工作的效率,并且可以减少开发人员的负担。基于以上背景,本文分别提出了一种基于图神经网络的代码异味检测方法,以及一种基于机器学习的异味移除推荐方法。本文的主要工作体现在以下两个方面:（1）针对特征嫉妒异味,本文提出了一种基于图神经网络的特征嫉妒检测和移动推荐方法。该方法首先分析软件中方法之间的调用关系,并将软件方法及调用关系以图的方式输入到本文所提出的特征嫉妒检测模型中。该模型通过图增强器对输入的原始图进行数据增强以得到增广图,并基于该增广图进行训练。训练后的模型可用于识别特征嫉妒异味,以及为受异味影响的方法推荐移动重构方案。实验结果表明本文所提出的方法,在检测特征嫉妒异味中,平均精确率、召回率、F1值、MCC和AUC可以达到74.21%、85.05%、78.89%、77.89%和91.52%,分别比最佳对比方法高出45.66%、11.92%、37.97%、37.88%和11.23%;在推荐移动重构方案中,平均准确率可以达到61.44%,比最佳对比方法高出5.13%。（2）针对异味移除推荐问题,本文提出了一种基于机器学习的异味移除推荐方法,并对该方法的有效性进行了深入的实证研究。本文从三个开源软件共计66个版本的源代码中提取出实证研究的数据集,其中包含了五种代码异味以及与源文件结构相关、过程相关和异味强度相关的32个特征。本文首先分析了代码异味在软件中的生命周期和存活率。然后,评估了机器学习模型在异味移除推荐方面的有效性,并且在不同的特征组合方式下进行了实验对比以找到用于异味移除推荐的最佳特征集。最后,针对真正需要被移除的异味的识别,将本文方法与现有异味检测方法进行了对比。实验结果表明:1)只有小部分异味在软件开发过程中被移除。2)机器学习模型在异味移除推荐方面是有效的。3)结构和过程相关的特征在异味移除推荐中发挥了重要的作用,而异味强度相关的特征在一些情况下可以提升模型的性能。4)针对真正需要被移除的异味的识别,与现有的异味检测方法相比,本文提出的方法在AUC、准确率和F1值方面表现更好。