随着软件应用场景的不断扩大,软件的规模和复杂度也随之增大,在软件的开发和维护过程中,为了避免软件在生产环境中出现问题,需要对软件源码进行一定的测试,而软件测试随着规模的扩大,所需要投入的资源也呈爆炸式的增长。软件缺陷预测是软件测试中的一部分,依据历史数据来预测开发的软件源码是否存在缺陷,从而合理的分配测试资源。近年来,软件缺陷预测主要研究的是软件工程领域的特征,包括代码的结构和复杂度特征,将不同的软件工程特征进行选择和组合。而随着深度学习与自然语言处理领域的不断发展和体系完善,基于语义特征的软件缺陷预测成为现阶段研究的热点,本文将源码缺陷预测与自然语言处理领域的文本分类相类比,针对源码本身所蕴含的语义特征难以提取的关键问题,在分析现有语义特征提取模型的基础上,设计了基于卷积神经网络和长短期记忆网络的源码语义提取模型,该模型通过深度神经网络对源码文本进行特征抽象,获取源码语义特征;并提出采用Word Embedding技术对源码输入进行词向量映射,以此作为语义特征提取模型的基础,该技术能够对输入数据进行降维,并映射到低维的语义空间。实验和分析表明,针对相同的开源数据集,基于语义特征提取的预测模型在性能上优于基于传统特征领域的预测模型,验证了语义特征提取的有效性。