学生在线编程评测系统（Online Judge System,OJ）被广泛应用于程序设计的教学之中。但现有OJ系统只返回程序是否正确。学生由于缺乏编程的实践经验,在独立定位程序发生错误位置的过程中经常遇到困难且难以自我解决。自动错误定位技术可以帮助程序开发人员定位错误,但现有错误定位技术的研究基于人工植入错误的开源项目或者工业程序,在包含真实错误的学生程序上定位错误精度不高。为了提升自动错误定位技术在学生程序上的定位精度,本课题从改进错误定位方法和测试用例生成两个角度开展研究。通过对学生程序分析发现,同一题目学生程序的错误语句类型通常相似。针对这一特征,本课题提出了基于错误语句频率的错误定位方法（Faulty Statement Category Frequency-Based Fault Localization,FSFFL）,并在包含3958个错误的2411个学生程序上开展实证研究。实验结果表明,与基于频谱的错误定位技术相比,FSFFL可以有效提升在学生程序上的错误定位精度。在EXAM分数指标上,FSFFL最高可以提升37.30%。增加有效的测试用例是提升自动错误定位精度的另一种思路。本课题提出了一种面向错误定位的多目标优化测试用例生成方法（Multi-Objective Optimization-Based Fault-Localization Oriented Test Case Generate,MFTCG）框架。该方法以学生程序的历史提交作为训练数据,针对测试用例的错误定位能力和代码覆盖类别分别设计适应度函数,并通过多目标优化算法搜索适合错误定位的测试用例。为了验证该方法的有效性,本文在包含15037个错误的9283个学生程序的数据集上进行实验。实验结果表明,当使用基于频谱的错误定位技术进行错误定位时,MFTCG生成的测试用例可以在TOP-1指标上最多提升55.23%的错误定位精度。