在软件演化过程中，受开发能力和投入资源限制，软件架构通常难以与代码保持同步更新，导致架构设计与代码产生不一致，对软件维护等工作造成潜在影响。为解决此问题，本文提出一种增量式软件架构恢复技术，即ISAR。该技术首先从变更代码片段中提取依赖信息，然后根据依赖强度分析模块间关联关系，最后基于代码变更与架构更新间的关联关系设计两层分类器以恢复架构。本文基于10个开源项目构建验证实验，结果表明ISAR在架构恢复精度和效率方面优于传统技术。此外，本文发现架构设计文档质量对ISAR架构恢复精度有一定影响，但随着版本迭代逐渐趋于稳定。

应用程序评论中的新兴主题突出了用户在一定时期内关注的主题（如软件漏洞）。准确、及时地识别新兴主题能帮助开发者更有效地更新应用程序。已有文献基于主题模型或聚类方法识别应用程序评论中的新兴主题。然而，由于评论文本长度较短，提供的信息有限，新兴主题识别准确率较低。为解决该问题，提出一种改进的新兴主题识别方法（IETI）。首先采用自然语言处理技术减少评论文本中的噪音数据，然后使用自适应在线双词主题模型识别评论中的新兴主题。最后利用新兴主题中相关的短语和句子解释新兴主题的含义。采用官方更新日志作为新兴主题的评估标准，选择6个常见的应用程序对IETI进行评估。实验结果表明，IETI在识别新兴主题方面优于传统方法，短语标签F1值增量为0.126，句子标签F1值增量为0.061。我们在Github（https://github.com/wanizhou/IETI）上发布了IETI的代码。

集成测试是面向对象软件测试的重要组成部分。传统的类级集成测试顺序研究策略大多围绕如何降低测试成本开展工作，并未考虑赋予可靠性风险较大的节点较高测试优先级，从而影响软件测试效率。本文提出一种兼顾测试成本与测试效率的方法生成集成测试序列。根据软件在不同场景下的运行状态，将其映射成多层动态执行网络（multi-layer dynamic execution network，MDEN）。借助该网络模型与概率风险评估方法为软件中每一个类赋予风险权重。利用成本收益分析方法，在生成测试用例的过程中保证两条原则：为高风险的类赋予较高权重，同时最小化测试桩复杂度。在此基础上，分析测试序列对软件系统总体运行风险的影响，从而提出评估测试序列优劣的度量方案。通过与现有算法的实验对比分析，证明所提算法生成的类级集成测试序列能有效降低测试代价。最后，将所提算法实现为自动生成集成测试序列的开源工具ITOsolution。

跨项目软件缺陷预测解决了传统缺陷预测中训练数据不足的问题，克服了将多个不同源项目中学习的模型应用于目标项目的挑战。与此同时，出现两个新问题：（1）模型训练过程中过多无关和冗余特征影响训练效率，降低了模型预测精度；（2）由于开发环境等因素，度量值的分布因项目而异，当模型用于跨项目预测时，预测精度较低。本文引入皮尔逊特征选择方法解决数据冗余问题，采用基于迁移学习的度量补偿技术解决源项目和目标项目之间数据分布差异较大的问题。提出一种基于特征选择和迁移学习的度量补偿软件缺陷预测方法。实验结果表明，用该方法构建的模型在AUC（接收器工作特性曲线下面积）值和F1度量指标上取得较好结果。

程序中的方法必须准确命名，以便于源代码分析和理解。随着软件的演变，方法名称可能与其实现的方法体不一致，导致方法名称不准确或有缺陷。调试方法名称仍然是文献中的一个重要主题。尽管研究人员已提出一些方法，用于在方法体被修改后给出准确的方法名称建议，但有两个主要不足仍待解决：对方法名称结构未加以分析，且未能有效捕获编程环境上下文信息。为避免上述不足，并给出更准确的方法名称建议，提出一种基于方法名称结构分析和编程上下文信息词法分析的新颖自动化方法。首先，利用深层特征表示，将方法名称和方法体嵌入向量中；然后，通过结构分析从大型方法语料库中获取有用的动词标记，通过词汇分析从方法体中获取名词标记；最后，动态结合这些标记，形成并推荐高质量和特定于项目的方法名称。在2111个Java测试方法上的实验结果表明，所提方法可以达到33.62%的命中率（Hit@5），并且在建议准确方法名称方面比最先进的方法高出14.12%。此外，展示了所提方法对结构和词汇分析的有效性。

面向任务的虚拟助手是为用户提供自然语言接口以完成特定领域任务的软件系统。随着近年来自然语言处理和机器学习技术的发展，越来越多面向任务的虚拟助手产品开始涌现。由于自然语言理解这一问题的复杂性和困难性，管理一个面向任务的虚拟助手软件项目具有挑战性。同时，据我们所知，与虚拟助手开发相关的管理和经验在学术界和工业界都少有研究或分享。为填补这空白，本文分享了我们在微软开发一项虚拟助手产品过程中的管理经验和教训。相信我们的经验和教训能为研究人员和相关从业者提供宝贵参考。最后，设计了一个需求管理工具SpecSpace，对我们虚拟助手项目的管理有很大帮助。

电力调度是智能电网运行的一大核心问题，其目的是在满足时空变化的电力负荷条件下提供电网的最优运行点。这一功能需要在一天内每隔几分钟运行一次，因此快速、准确的调度决策方法至关重要。但是，由于问题的复杂性，可靠且高效的决策方法仍在不断探索的过程中。随着可再生能源的大规模并网以及灾害性气候的不断恶化，智能电网对调度决策方法提出了更为严苛的要求。近年来，以深度学习为代表的人工智能方法在不少领域取得巨大成功，因此深度学习也被电气工程领域寄予厚望，国内外研究者开始重新思考智能电网的调度决策问题。本文即从深度学习这一角度对智能电网调度决策相关研究进行综述，旨在促进智能电网领域发展的同时促进人工智能生态的发展。

自监督深度估计方法通过在训练数据中利用目标图像和参考图像之间的视角合成，呈现了可以与全监督方法相媲美的结果。然而，作为主干网络的ResNet最初是为了应对分类问题而设计的，在应用于下游领域时存在一些结构上的缺陷。图像中的低纹理区域也使深度估计的效果受到很大影响。为了解决这些问题，本文提出一系列改进，以实现更加有效的深度预测。首先，我们通过改进网络结构来促进网络中的信息流通，并提高学习空间结构的能力。其次，使用二值蒙版去除目标图像和参考图像之间低纹理区域中的像素，以更准确地重建图像。最后，我们随机输入目标图像和参考图像对数据集进行扩充，并在ImageNet上进行预训练，从而使模型获得良好的通用特征表示。我们使用立体图像对作为输入，在KITTI自动驾驶数据集的特征分割上验证了最先进的性能。

由于摄像机、回放速度、光照条件、剪辑效果、比赛结构和类型等方面的差异，体育视频摘要的自动分析具有挑战性。为了解决这些问题，针对户外运动视频，本文提出一种基于镜头分类和回放检测的有效视频摘要框架。准确的镜头分类对于更好地安排输入视频从而进行进一步处理（关键事件或回放检测）是必要的。因此，提出一种基于轻量级卷积神经网络的镜头分类方法。该方法对每一个镜头进行回放检测；特别地，检测出从体育视频中识别出回放片段的连续标识转换帧。为此，提出局部八元模式特征来表示视频帧，并训练极限学习机分为回放或非回放两类。所提框架对于摄像机、回放速度、镜头速度、光照条件、比赛结构、运动类型、广播公司、标识设计和位置、帧转换和剪辑效果具有鲁棒性。基于YouTube体育视频集中的足球、棒球和板球运动对所提框架进行性能评估。实验结果证明所提框架能够可靠地用于户外运动视频摘要的镜头分类和回放检测。

提出一种LC无线无源柔性加速度计，解决测量弯曲结构表面加速度的困难。该加速度计由柔性聚酰亚胺（PI）衬底和平面螺旋电感（厚度为300 nm）组成，采用微机电系统（MEMS）技术，可任意弯曲或折叠，可牢固地粘附在具有弯曲结构的物体表面。利用射频无线传输原理，通过改变加速度计与天线之间的距离来测量加速度信号。与带导线的加速度计相比，该加速度计可以防止导线在振动过程中脱落，从而延长其使用寿命。通过搭建实验平台，当天线与加速度计之间的距离为5 mm时，在弯曲结构表面展示了加速度计在20至100 m/s2加速度下的传感能力。结果表明，加速度和峰峰值输出电压接近线性，加速度计灵敏度高达0.27 mV/(m•s−2)。此外，该加速度计的最大误差小于0.037%。

本文研究异步切换条件下切换线性系统的镇定问题。采用可容许边依赖平均驻留时间方法，设计包含慢可容许边依赖平均驻留时间和快可容许边依赖平均驻留时间的切换信号。这种切换信号设计方法消除了异步切换最大延迟事先已知的限制。构造的李雅普诺夫函数与系统模态和控制器模态均相关。给出了获取控制器增益和设计切换信号的稳定性准则及相应算法。最后，通过两个算例验证了所提结果的有效性。