在信息技术飞速发展的今天,计算机技术已经渗透到各行各业,成为人们工作生活中不可或缺的技术手段,所以人们对软件系统需求的规模和复杂度也是日益扩大和提升。由于上述原因,软件故障带来的损失亦是越来越大,导致软件成本以及软件垃圾相应的增大,故而对软件测试来保障软件质量更加的紧迫。软件测试是保障软件质量的一个至关重要的方法,近年来得到了计算机学术界、软件工程师以及软件行业的普遍重视。软件测试贯穿软件开发整个生命周期,从需求分析到最后的运行维护,实际上软件测试占据软件开发工作量的60%以上。从上述可以看出,软件测试作为保障软件质量的一个重要方法,要想降低软件开发的成本,那么降低软件测试成本则是一个有效且可行的途径。粗糙集作为一种新的处理不确定问题的理论,是数据挖掘的有效方法之一。近年来,粗糙集在数据挖掘、人工智能、模式识别等领域得到了广泛的应用。它的重要特点是不需要任何知识,只利用数据本身提供的信息,保持知识的分类能力不变的前提下,通过知识约简,导出分类规则,提供决策依据,揭示事物潜在的规律。证据理论是在20世纪60年代由数学家A.P.Dempster利用上下限概率来解决多值映射问题时,并发表了一系列相关论文后标志着其正式诞生。此后,A.P.Dempster的学生对D-S理论作了进一步的研究,并推动其发展,形成了一整套基于“证据”与“组合”的处理不确定推理的理论体系,取得了丰富的成果。粗糙集理论与证据理论都是处理不精确、不确定信息的有力工具。证据理论的合成规则本身有基本概率分配主观性以及焦元爆炸等的不足,而粗糙集理论的不需要先验知识以及有着丰富的约简算法,两种理论的相互关系,可以较好的解决证据理论合成规则的不足,有力的提高了合成算法的适应性及效果。本文的主要工作是有以下几个方面：第一：本文系统的分析了国内外测试用例约简的研究现状,分析了粗糙集理论和证据理论的特点以及相互对应关系模型。第二：针对现有测试用例约简算法的一些不足,根据粗糙集理论中属性集依赖度的概念针对适应度函数取值相同时,作进一步的处理,使得约简算法更加精确。第三：提出一种基于粗糙集与证据理论信息融合的测试用例优化排序算法。在回归测试中,来自不同信息源的测试用例优化排序,根据粗糙集与证据理论的相互关系模型,做出了融合排序处理,从而优化了测试用例,达到降低成本的目的。