随着计算机技术的飞速发展,各种各样的计算机软件广泛应用到了各行各业中。但是,在软件开发和维护的过程中,软件出现缺陷难以避免。软件缺陷预测通过挖掘历史数据,构建模型,以预测软件中潜在的缺陷模块。软件缺陷预测中存在一些问题亟待解决,例如数据不平衡,维度灾难等问题。然而,目前的不平衡数据处理的算法普遍基于K近邻思想,计算量大,容易受到噪声数据影响。而目前的特征选择算法不能很好消除软件缺陷数据集中的不相干特征和冗余特征。本文针对软件缺陷预测中的不平衡数据处理技术和特征选择方法进行了深入的研究和探索,本文主要的研究工作如下所示:(1)总结目前的软件缺陷预测中不平衡数据处理算法,分析其优缺点,并提出了一种新的基于密度的过采样算法。DBSCAN算法在处理簇的边界样本时不严谨,我们针对此问题优化了DBSCAN算法,使聚类更加合理。结合优化的DBSCAN和SMOTE,本文提出了一种基于密度聚类的过采样算法。首先用优化的DBSCAN聚类算法将少数类数据分为三类,分别是噪声、核心样本和边界样本,然后删除少数类的噪声样本,最后采用不同的策略对核心样本和边界样本进行过采样。实证研究中,在NASA软件缺陷数据集上,将该算法和几种经典的过采样算法进行对比,结果表明,该算法能有效解决软件缺陷预测中数据不平衡的问题。(2)总结现有的软件缺陷预测中特征选择算法,分析其优缺点,针对传统的过滤式特征选择算法不能很好地解决软件缺陷数据集中存在冗余特征的问题,提出一种基于聚类的特征选择算法。首先该算法利用ReliefF算法计算特征和类标之间的相关性,对特征进行排序,去除无关特征,然后根据其余特征之间的关联度对特征进行聚类,最后选择每个特征簇的代表性特征。该算法考虑了特征间的关联性以及特征与类标的相关性,能有效去除冗余特征和无关特征。实证研究中,在NASA软件缺陷数据集上,将该算法和几种经典的特征选择算法进行对比,结果表明,该算法能有效解决软件缺陷预测中的维度灾难问题。(3)在上述过采样算法和基于聚类的特征选择算法的基础上,本文设计并实现了软件缺陷预测数据预处理系统。客户端包括上传模块、过采样模块、特征选择模块、算法对比模块。服务器包括数据解析模块、系统算法模块和算法对比模块。该系统能够对软件缺陷预测数据集进行过采样和特征选择,对比不同算法,清晰准确的展示软件缺陷预测的结果,有利于减低软件开发和测试的时间和成本。