众包测试具有迭代快速、成本低廉和反馈真实等特点,已被广泛运用于提高移动应用的软件质量。众包测试者在众包平台执行任务,并将测试经验以报告的形式进行呈现。测试报告数量众多,在有限时间内审阅和理解这些质量良莠不齐的报告是一项耗时但不可避免的任务。近年来,研究者提出了许多基于文本信息的报告分析技术以克服这一挑战。然而在移动测试中,测试报告通常只包含简短的文本描述,却包含丰富的屏幕截图,这使得已有的报告分析技术应用成为障碍。与文本信息的不确定性相比,测试报告中的屏幕截图可以充分表现移动应用的使用场景,并客观反映软件系统中的设计缺陷。针对以上情况,本文对传统的报告分析技术进行了优化和创新,主要提出了三种方法来辅助开发者分析与理解测试报告:(1)针对众包测试报告的冗余问题,提出了一种基于图像理解的测试报告聚类抽样技术。该技术分别对报告中的文本和图像信息进行处理,并采用相似度度量和平衡算法来建立测试报告距离矩阵,通过对矩阵聚类后的报告类簇进行抽样,可以高效检测报告中的缺陷类型;(2)针对众包测试报告文本信息匮乏,图像阅读困难等问题,提出了一种测试报告图像的文本生成技术。该技术首先对内容相似的图像进行聚类,并使用概率语言模型为每个图像类簇生成关键词序列,当获取一份待阅报告时,通过一定的匹配机制为其匹配接近的图像类簇,从而生成对应的文本描述;(3)针对众包测试报告文本描述简短、图像信息丰富的特点,提出了一种基于图像理解的测试报告自动分类技术。该技术同时提取了报告中的文本特征与图像特征,并将特征融合的思想与已有的分类算法进行结合,在有效改进分类效果的前提下,讨论了最适合众包测试报告的分类模型与训练集规模。