在软件维护过程中,开发者会对用户在软件使用过程中提交的缺陷进行定位和修复。为了提高处理缺陷的效率,研究者已经针对缺陷之间的关联关系进行研究,主要包括重复缺陷报告和相似缺陷报告的检测和推荐。已有的研究主要采用自然语言处理中的方法用于分析缺陷报告,利用缺陷报告的文本信息建立检测和推荐模型。随着开源项目的数量的增多,项目之间的调用关系变得复杂。因此,不同项目之间的缺陷也会具有关联关系,这类缺陷通常被称为跨项目关联缺陷。由于跨项目关联缺陷在不同的项目中,所以对这类缺陷进行定位和修复十分困难,给开发者带来新的挑战。同时,之前的工作很少有针对跨项目关联缺陷的相关研究;并且跨项目关联缺陷的文本信息不足且缺陷之间文本差异较大,之前的研究中提出的基于文本的方法不适用于跨项目关联缺陷。针对上述问题,本文进行2方面的研究:跨项目关联缺陷的预测以及跨项目关联缺陷的推荐。本文包括以下4个方面的主要工作:（1）从GitHub上收集7个比较流行的开源项目的信息构建本文的数据集,主要根据缺陷的链接信息利用正则化匹配的方法来确定跨项目关联缺陷。从而生成用于跨项目关联缺陷预测的数据集,其中包括真实的跨项目关联缺陷和普通的缺陷。同时,也能获取到跨项目关联的缺陷对,再采用下采样的方法构建无关联的缺陷对,进而生成用于跨项目关联推荐的数据集。（2）提出一种新的方法用于预测跨项目关联缺陷,基于缺陷的过程度量信息（包括缺陷的文本统计信息以及缺陷提交者的历史活动信息）进行特征抽取。利用这些过程度量特征（P）,建立预测模型（PM模型）进行跨项目关联缺陷的预测。同时,使用TF-IDF和Word Embedding技术处理缺陷的文本信息（T和W）,将其作为特征构建2种文本模型（TI模型和WE模型）。此外,将过程度量特征和文本特征结合构建3种混合模型:P+T模型、P+W模型、P+T+W模型。（3）在跨项目关联缺陷的推荐中,针对跨项目关联的一对缺陷进行特征抽取。主要包括:缺陷之间的相似度、缺陷的开发者之间的合作关系以及缺陷的开发者对于项目的熟悉程度。利用这些特征,建立模型推荐跨项目关联缺陷。另外,直接根据缺陷之间的文本相似度进行跨项目关联缺陷的推荐。分别采用3种方法计算缺陷的文本相似度:TF-IDF、Word Embedding和BM25。（4）在构建的数据集上验证本文提出的预测模型和推荐模型的有效性。为了评价预测模型的效果,采用2种不同的评价指标:MCC和F1。通过比较PM模型和其他预测模型的实验结果,本文提出的PM预测模型比其他的文本模型在2个评价指标上都有显著的提升。对于推荐模型的结果,主要使用3种不同的评价指标:MAP、MRR、Recall-rate@k。而且,实验中分成3个不同的场景:在具体的目标项目中进行推荐、在所有的项目中推荐以及跨项目的推荐。通过实验结果发现,在不同的场景下,基于抽取的特征构建的推荐模型的实验效果比基于相似度的推荐方法的效果要好。