开发过程中,软件缺陷的出现是不可避免的,但是若能及时修复,则会减少不必要的资源浪费,同时有效提升软件质量。因此,研究人员提出软件缺陷预测方法,其主要思路是利用项目内的已知标签（缺陷）数据训练模型,然后通过模型预测项目内的未知标签数据,从而找到项目内潜在缺陷。然而,如果需要预测的项目是新项目,则其无法提供具有充足已知标签的数据集。为应对上述问题,研究人员提出跨项目软件缺陷预测技术,通过使用已有项目的缺陷数据集构建预测模型,并利用该模型在新项目上完成缺陷预测。尽管研究人员在跨项目缺陷预测领域已取得了相关成果,但仍存在改进的地方,例如:如何进一步有效地建立源项目与目标项目之间的联系,以及更准确地选择源项目数据等。鉴于此,本文在前人工作基础上,以源项目和目标项目的相似性分析为切入点,根据源项目和目标项目的度量元（特征）是否相同,分别从同构跨项目缺陷预测和异构跨项目缺陷预测两个方面展开了进一步的研究。具体而言,本文的研究内容与创新成果主要涵盖以下两点:一.基于Jensen-Shannon散度和相对密度的同构跨项目缺陷预测同构跨项目缺陷预测是指源项目和目标项目具有相同的度量元,现有的多数研究方法是随机选择源项目及其数据,但即使具有相同的度量元,仍存在一定程度的分布差异,且源项目实例中存在噪声或异常值。因此,本文引入Jensen-Shannon散度度量源项目和目标项目之间的相似性,其次通过估计实例的相对密度（Relative Density）过滤源项目数据中的噪声或异常值,实验结果表明了所研究方法不仅有效地提升同构预测模型性能,而且对软件缺陷预测技术中常用分类器具有较高的自适应性。二.基于最优传输理论的异构跨项目缺陷预测异构跨项目缺陷预测是指源项目和目标项目具有不同的度量元,这导致了较难通过直接测量二者实例之间的距离来判定相似性。前人所提的多数研究方法是通过学习映射函数将源项目和目标项目的度量元传输到公共空间,但其局限性在于映射函数是需要在假设空间中预先定义。鉴于此,为了避免了距离测算和预定义映射函数的限制,本文引入最优传输理论于异构跨项目缺陷预测,即使用Entropy Gromov-Wasserstein（EGW）构建项目传输矩阵。但因EGW未利用类别标签信息,本文通过添加标签正则项,设计基于Labelled Entropy Gromov-Wasserstein（LEGW）的异构跨项目缺陷预测方法。实验结果表明了本文所研究的LEGW方法综合表现好于主流异构缺陷预测方法。