La gravedad de los informes de errores de software juega un papel importante en el mantenimiento de la calidad del software. Muchos enfoques han sido propuestos para predecir la gravedad de los informes de errores utilizando información textual. En esta investigación, proponemos un marco de aprendizaje profundo llamado MASP que utiliza redes neuronales convolucionales (CNN) y las características de contenido-aspecto, sentimiento-aspecto, calidad-aspecto y reportero-aspecto de los informes de errores para mejorar el rendimiento de la predicción. Hemos realizado experimentos en conjuntos de datos recopilados de Eclipse y Mozilla. Los resultados muestran que el modelo MASP supera al modelo CNN de última generación en términos de Precisión, Recall, F1-medida y el Coeficiente de Correlación de Matthews (MCC) en un 1.83%, 0.46%, 3.23%, 1.72% y 6.61%, respectivamente.