传统的缺陷预测技术主要集中在对软件项目中的文件、模块、包等粗粒度对象进行预测,然而相关技术在实际中却难以应用,例如当缺陷预测模型预测一个较大的文件存在缺陷时,审查所需的时间与精力对于开发者来说难以接受,且当一个文件被多个开发者修改时,更难以确定合适的开发者对预测文件进行审查。而现有的细粒度缺陷预测方法,包括代码行级与变更级预测,对于软件仓库语料、变更数据有一定的数量要求,软件开发初期难以进行有效的缺陷预测。在细粒度的预测要求前提下,本文对于软件项目初期,提出了一种基于API使用规范的跨项目可迁移的代码行级缺陷预测模型,实现了对软件项目早期的有效缺陷预测;对于软件项目后期,本文提出了一种利用变更信息语义特征与变更度量的变更级缺陷预测模型,提升了现有变更级预测模型的能力。本文主要工作与创新点如下:(1)代码行级缺陷预测。本文提出了一种基于类API使用规范的代码行级缺陷预测模型。本文首先提出了一种基于抽象语法树的类API调用序列提取方法,从源代码文件中提取指定类的实例的API调用序列,并基于API调用序列构建语言模型,预测API序列中的API误用缺陷,将代码缺陷定位至使用API的代码行处;(2)变更级缺陷预测。本文提出了一种基于变更语义与变更度量的预测模型。为了充分利用代码变更中的原始文本信息,该模型通过提取变更信息中提交日志与代码变更,利用RCNN模型学习变更语义特征,并将语义特征与传统变更度量相结合,进一步提升了变更级缺陷模型的预测能力;本文对提出的两个细粒度缺陷预测方法进行了实验验证,并与现有研究做了对比,结果显示:代码行级预测中,对API使用规范进行学习可有效预测出代码中的API误用缺陷;变更级预测中,使用变更的语义特征可有效提升预测模型性能。