随着计算机软件在各个领域的广泛应用,计算机软件变得愈加的庞大与复杂,软件缺陷预测作为软件开发生命周期中的重要环节,可以及时的发现和纠正开发过程中的缺陷,避免软件后期的修改和扩展所造成的几何级数规模的附带问题。好的预测方法能够缩短软件的开发周期,提高软件质量,降低开发成本。因此,软件缺陷预测对于计算机软件的发展有非常重要的意义。现有的软件缺陷预测方法中,大部分采用传统静态度量标准和机器学习的模型。然而传统静态度量标准数量众多且各自反映软件的属性特征比较复杂,并且目前度量选择没有一个统一的标准,这使得它成为软件缺陷预测领域的重大挑战,另外软件技术的发展加剧了这种困难,传统度量已经跟不上软件缺陷出现的步伐,因此缺陷预测领域需要一些新的技术和度量。另一方面,虽然传统的机器学习模型在其他模式识别问题中有了大量的成功案例,但是软件缺陷的不确定性导致传统的机器学习预测模型并不能够满足软件发展带来的新的挑战,因此,静态度量标准的选择和构造,机器学习模型的应用都是软件缺陷预测方向的重难点问题。论文提出利用信息增益率方法进行属性选择,并根据测试代码质量和代码设计原则提出两种新的度量标准,同时构造新的动态代价敏感贝叶斯网络进行软件缺陷预测。实验在经典的Promise data Repository数据集上进行,实验结果表明,与传统的静态度量相比,通过信息增益率算法选择出的高效度量和新提出的度量更能够利用较少的属性特征挖掘软件开发过程中的特性。比较综合的评价标准F值和AUC值,新的动态代价敏感型贝叶斯网络比传统的机器学习模型支持向量机、随机森林、C4.5更加的高效与精准。