软件缺陷预测可以预判软件模块是否缺陷,针对性分配测试资源,提高产品质量,一般基于代码特征实现。本文针对其中的类不平衡问题和特征选择效率问题进行分析处理,最终提出一种高效、稳定的软件缺陷预测方法,并进行系统设计与实现:首先,提出一种基于核密度估计的不平衡处理方法,用于解决不平衡处理中新样本无法充分覆盖缺陷风险特征空间,造成模型对缺陷样本识别能力不足问题。为各特征建立单独的概率分布模型,并以“继承”和“变异”相结合的方式,合成新的缺陷样本直至数据集平衡。“继承”表示新样本特征值源于已有样本,“变异”表示用概率模型采样值替换部分特征值。因所有概率模型均基于全体缺陷样本,相比传统插值类方法,新样本覆盖范围更广,且更符合原分布,有助于识别各种不同的缺陷样本。实验表明,该方法能有效提高缺陷样本的识别率。其次,提出一种针对相关性特征选择的效率优化模型。由于上述不平衡处理中各特征的概率模型是相互独立的,故应消除数据集中冗余特征。现有的特征选择方法存在较多重复计算,算法效率低。通过对优先度计算公式进行基于熵粒度的分析重构,找出其中重复计算,设计“累加映射表”与“计算映射表”,将其转化为更高效的映射表访问操作。实验表明,可在保持算法性能一致的前提下,显著提升算法效率。最后,结合以上方法,提出一种基于代码特征的软件缺陷预测方法并进行系统设计与实现。首先利用基于熵因子分析的优化模型对已有特征选择算法进行效率优化,快速筛选出具有代表性的特征子集,然后利用基于核密度估计的不平衡处理方法进行数据处理,最后分类器训练得到预测模型,输入新模块特征预测。