一个理想的软件缺陷预测模型能发现软件中隐藏的各种缺陷,能够极大地帮助开发团队降低开发周期,减少维护开销,提高软件可靠性等等。在软件缺陷预测中,软件特征和分类算法的选择对于预测性能有重要影响。因此,研究者们就如何设计能反映软件质量的特征,以及提出相应算法来构建预测模型展开了研究。当前所使用的传统软件特征主要关注软件模块的代码规模,复杂度等属性,忽视了源代码中丰富的语法和语义信息。在传统特征上构建的预测模型存在一定局限性。有研究人员尝试借助人工神经网络强大的学习能力从软件源代码中提取新的语义特征。然而,不同类型的特征都是对软件缺陷性质的反映,仅使用传统特征或者语义特征来构建单个预测模型性能不够理想。此外,在跨项目缺陷预测中,不同项目之间特征分布存在差异,直接将源项目上训练得到的预测模型迁移至目标项目可能存在“欠适配”等问题。本文工作主要包含以下四个部分:（1）考虑到卷积自动编码器在特征提取方面的优点,本文将其与程序抽象语法树结合,提出了一种基于卷积自动编码器的代码语义特征提取方法。该方法能够从软件源代码中获取到丰富的语法和语义信息,有助于提升缺陷预测的准确性。（2）通过在不同特征空间中训练得到个体分类器,并使用集成学习来集成多个分类器,提出了一种基于集成学习的同项目缺陷预测方法,能够减小预测模型的泛化误差。（3）针对源项目和目标项目之间语义特征存在分布差异的问题,提出了一种基于可迁移卷积自动编码器的跨项目缺陷预测方法。通过领域适配,该方法最小化不同项目之间的最大均值差异,使其特征分布更加匹配,并提升了跨项目缺陷预测的性能。（4）通过总结软件缺陷预测流程,设计并实现了一个软件缺陷预测系统。该系统能提供有关缺陷预测的服务,以帮助用户更好地保障软件的可靠性。