随着软件复杂度的日益提升,软件质量保证变得尤为重要。在软件开发过程中需要通过软件测试来寻找和修复软件缺陷,提高软件的质量。软件缺陷预测通过有效地预测软件中可能存在缺陷的模块,帮助软件测试人员将有限的测试资源优先用在存在缺陷可能性高的模块上,从而尽可能多地发现软件缺陷。以往软件缺陷预测的研究大多在子系统级别,包级别,文件级别和类级别上进行缺陷预测。细粒度的缺陷预测能够缩小有缺陷代码的范围,减少预测为有缺陷模块所需的测试资源,从而节约测试成本,也能减少人工审查代码的工作量。已有研究表明在更细的粒度上进行缺陷预测有更高的成本效益。细粒度的软件缺陷预测已成为目前研究的一大趋势。本文针对细粒度的软件缺陷预测问题进行了研究,根据软件的静态层级结构,将类级别和方法级别定义为横向细粒度,执行路径级别定义为纵向细粒度,取得了如下创新成果:第一,在横向细粒度粒度上进行缺陷预测时,需要预测的模块变得更多,有缺陷的模块比例变得更小,因此获取有缺陷标记的数据更加昂贵和困难,甚至在有些场景下无法获取缺陷标记数据。针对这一问题,本文将软件缺陷看作异常,提出一种基于异常检测的缺陷预测方法,从而无需缺陷标记数据也能在横向细粒度上有效地预测软件缺陷。实验表明,当已知缺陷标记的模块占所有模块的比例不超过5%时,与基于监督学习或半监督学习的缺陷预测模型相比,基于异常检测的缺陷预测模型能够取得更好的预测效果。第二,路径覆盖测试是一种常用的白盒测试方式,如果能够准确地预测纵向细粒度,即执行路径级别的缺陷,将会极大地节约路径覆盖所需要的测试资源。但是目前还没有在执行路径级别上进行软件缺陷检测的研究工作。针对这一问题,本文提出一种基于多示例学习的软件缺陷预测模型MI-CNN,不仅能够预测执行方法级别的缺陷,还可以找出最有可能存在缺陷的执行路径。实验表明,与其他方法级别的缺陷预测模型相比,我们不仅可以在执行方法级别上取得更好地预测结果,还能有效地发现执行路径级别上的缺陷。