构件分类和检索是支持软件复用的核心技术,如何从海量的构件库中检索出准确和用户满意的构件,是软件复用中需要解决的关键问题。本论文基于CNN(Convolutional Neural Networks,卷积神经网络)技术和排序学习方法来研究构件分类方法和构件检索方法,其中包括两个研究:基于CNN的构件分类方法研究和基于排序学习的构件检索方法研究。(1)由于构件分类的效果会直接影响构件检索的性能,所以针对传统构件分类方法的局限性,本论文采用CNN文本分类的方法研究构件分类。首先,利用Word2vec模型对功能语义刻面中的构件描述信息进行处理转换成词向量,同时结合TF-IDF算法计算词向量在构件描述信息中的权重。将词向量和词向量权重相结合的方式作为CNN的输入进行卷积训练,改进CNN的Softmax分类函数,使其针对构件的多个分类进行分类模型训练。最后通过实验验证了本论文研究的基于CNN的构件分类方法的有效性,并与传统的构件分类方法进行对比,该方法在各个评估标准上有明显提高。(2)在保证了构件分类准确的前提下,引入排序学习算法。在获取到的构件类别中,采用排序学习的列表方法,将Plackett-Luce概率排序模型作为列表方法的损失函数对各类别的构件进行排序训练,并利用MM(Minorize-Maximrize)算法改进损失函数的对数似然函数来训练模型参数,从而得到构件排序模型。将构件排序模型应用于构件检索中实现一种构件检索方法,通过实验验证了此方法的有效性以及其查全率、查准率和效率都优于传统的构件检索方法。