随着信息化时代的到来,各行各业已经离不开计算机软件,但现如今的软件产品不能满足人们对于高质量的软件的需求,如何高效的设计与开发出高质量的软件产品是当今学者研究的课题。软件缺陷预测就是一种开发高质量软件的有效工具,它主要是利用数据挖掘算法在历史数据上建立模型,可以帮助开发者预测某软件模块是否含有缺陷,从而以有限的资源做出优质的软件系统。如今,软件缺陷预测是软件工程领域最活跃的内容之一,在分析软件质量、提高软件开发效率起着重要作用。本文为了提高软件缺陷预测模型的准确率,设计出了基于朴素贝叶斯分类的软件缺陷预测模型。此外,针对属性离散化难找到最佳分隔点的问题提出了有效的离散化策略。首先,本文概述了软件缺陷预测技术的研究背景、意义和现状。详细介绍了软件缺陷预测常用的数据挖掘算法,并对属性离散化以及常用的离散化方法进行了概要分析。然后,详细介绍了朴素贝叶斯分类模型,该算法简单、分类准确率高、速度快等优点。因此,将其应用到软件缺陷预测模型中,提出了粒子群优化算法与朴素贝叶斯相结合的软件缺陷预测模型。最后,针对熵的离散化不能快速找到最优分隔的问题,提出了粒子群优化算法与期望熵的属性离散化方法,由属性的期望熵指导粒子群优化分隔点,从而可智能快速地寻找分隔点。在此基础上,经过CFS属性选择后,分别在原属性集和离散化的属性集上进行仿真,实验表明了所提出的属性离散化方法的有效性以及属性选择的必要性。