随着软件需求的不断增加,系统规模不断扩大。为了保证系统质量,降低测试成本,诞生了测试用例生成和测试用例排序两大技术。其中,测试用例生成技术旨在通过最小化测试用例集覆盖测试需求,从而降低测试成本,提高测试效率。测试用例优先排序技术即对已经生成的测试用例集的执行顺序进行调整,从而尽早发现软件缺陷。由于模型驱动开发的兴起,产生了基于模型的软件测试需求,现有基于模型的测试用例生成技术没有通过分析模型状态关联特征来减少冗余迁移和测试用例数量;而测试用例排序技术大部分基于软件代码很难被运用于基于模型的软件测试,即便存在部分基于模型的测试用例排序技术,但也没有结合模型特点去分析软件缺陷的可能分布,而涵盖更多易错模块的测试用例更有可能揭示缺陷,它们应该以更高的优先级运行。此外,针对较大数据集,研究者们在基于代码的测试用例排序技术中引入聚类技术,获得较好的排序效果,但这些技术尚未应用于基于模型的测试中。因此,本文针对以上问题,进行以下几个方面研究:(1)提出一种基于扩展有限状态机(EFSM)模型的测试用例生成方法。该方法首先将UML模型转化为EFSM模型,然后处理回路,化复杂模型为简单模型,再对简单模型进行状态切片,然后结合回路生成状态路径集,最后将状态路径集转化为迁移路径集并对迁移路径集进行约简。通过实验验证该方法可以获得较优测试用例集,节约测试成本。(2)提出一种基于隐马尔可夫模型(HMM)特征的测试用例排序方法。该方法首先将UML模型转换为HMM,然后评估测试用例缺陷优先级和缺陷概率,由此估计测试用例可能揭示的缺陷的紧急程度,再构建HMM的复杂网络模型评估状态权道,根据权重反映缺陷的严重性,最后结合缺陷的紧急程度和严重性定义测试用例优先级,依据优先级对测试用例进行排序。通过实验验证该方法使得软件缺陷可以尽早被发现。(3)针对较大数据集,提出一种基于聚类和HMM特征的测试用例排序方法。该方法首先构建测试用例的状态向量,然后结合状态向量和状态权重信息计算任意两个测试用例相似度,再根据相似度设计改进的K均值聚类算法,最后结合聚类方法和模型信息设计排序策略。通过实验验证,该方法针对较大数据集可以获得较好的排序效果。