随着软件行业的快速发展和软件规模的持续扩大,依靠人工进行错误定位耗时耗力,已经不能满足现今软件开发需求。为了降低软件错误检测开销,提高开发效率,近年来提出自动化错误定位技术以及相关研究,基于变异的错误定位（Mutation-Based Fault Localization,MBFL）是一种被广泛研究的自动化错误定位技术,但主要基于程序一阶变异开展研究。由于一阶变异仅适用于单错误情况,而在真实场景下,程序中的错误多为复杂错误,所以基于一阶变异的错误定位技术在真实错误程序中的定位精度相对不高。高阶变异是指在程序中多个位置同时做出修改,相比一阶变异可更好地模拟真实场景下的错误。但高阶变异体的数量随阶数增加呈指数增长,巨大数量的变异体带来的巨大执行成本是高阶变异错误定位所面临的挑战,找到有效的高阶变异体集合是研究的重点和难点。本文基于高阶变异错误定位技术展开研究,首先对高阶变异体生成和语句怀疑度计算分别提出优化方法,并进一步结合高阶变异和搜索算法,提出一种基于搜索的高阶变异错误定位技术。在对高阶变异错误定位进行优化研究时,针对全集高阶变异体数量巨大且无效变异体占比高的问题,本文提出一种基于语句出错概率计算语句变异权重的方法,可显著减少在正确语句上生成变异体的数量。同时,本文提出一种基于最大值频次的语句怀疑度计算方法,改善语句怀疑度计算。实验结果表明,经过优化的高阶变异错误定位技术可以仅生成全集8.73%的高阶变异体,同时保持定位精度优于一阶变异错误定位技术。本文进一步结合多目标优化遗传算法筛选有效高阶变异体,提出一种基于搜索的高阶变异错误定位方法。通过设计合理的高阶变异体基因编码方式,构造多目标函数引导搜索方向,该方法可搜索有利于提高定位精度的高阶变异体。通过实验结果分析发现,使用搜索方法得到的高阶变异体集合,在保持与一阶变异体数量级相同的情况下,具有更高的错误定位精度。本文同时介绍了基于高阶变异的错误定位工具的原型设计,展示了高阶变异进行错误定位技术的具体实现步骤和算法,使本文研究的技术从理论研究进一步拓展到实际应用。