随着技术的成熟和市场需求的变化,软件系统的架构愈加复杂,从而导致软件项目中的缺陷报告也越来越多,严重制约着软件项目的人力成本和时间成本。因此,2004年之后,越来越多的自动或半自动缺陷报告分派算法被提出,用来代替原始的人工分派。尽管目前针对缺陷报告分派领域的研究已经取得了很大的进展,但是仍然存在很多不足。首先,绝大部分的相关研究只关注算法的精度,而没有全面综合的在算法的精度和时间消耗之间做权衡。然而在工业环境下,又快又好的完成对缺陷报告的分派无疑是更为有效的。其次,很多研究没有充分利用缺陷报告中其他元数据特征的信息,只依赖缺陷报告的文本描述来进行分派,这极大的造成了资源上的浪费。本文主要针对这两个问题,展开了以下研究:(1)提出了一种基于自注意力机制的缺陷报告分派算法,通过使用自注意力块代替传统的循环神经网络和卷积神经网络来提取文本特征。在Mozilla、Netbeans、GCC、Eclipse和OpenOffice这五个数据集的实验上表明,本文所提出的基于自注意力机制的缺陷报告分派算法能够在更短的时间内取得比其他缺陷报告分派算法更高的准确率;(2)提出了一种基于多元特征的缺陷报告分派算法。在第一项研究的基础上,将缺陷报告的产品和组件特征通过元特征网络组合进算法中,进一步提升了本文算法的优势。同时提出了一种可控的代价敏感层,进一步提升了算法在数据不平衡问题上的表现。