随着应用软件的深入普及,软件的复杂性和多样性也同样随之日益增加,随之而来的是软件缺陷的增加,这将使软件的测试和维护成本升高,同时使用户的体验感降低,从而导致用户量的减少和公司名誉的损害,严重者甚至会产生灾难性的危害。软件缺陷预测技术可以在软件开发的早期识别有缺陷的软件模块,有助于开发人员及时修复bug,从而提升软件质量。在软件的缺陷预测中,常常会出现类不平衡问题,即有缺陷类别的样本数量一般远小于无缺陷类别的样本数量。同时,将有缺陷的模块预测为无缺陷所造成的损失是远大于将无缺陷模块预测为有缺陷。而代价敏感学习是对于不同的误分类情况给予不同的误分类代价,在缺陷预测模型中使用代价敏感学习可以使软件缺陷预测模型更加关注于对有缺陷模块的误分类情况,从而提高预测模型的分类能力。基于此,本人阅读了有关软件缺陷预测、代价敏感学习的大量国内外文献,并结合机器学习等专业知识,对软件缺陷预测和代价敏感学习的相关概念进行阐述和分析,并提出了两种基于代价敏感学习的软件缺陷预测方法:（1）基于代价敏感学习的CART决策树的缺陷预测方法。首先,为了解决类别不平衡现象,本文对于上述两种不同的误分类情况,在代价函数中分别设置了不同的代价敏感因子。其次,通过实验训练出10组在测试集上表现良好的代价敏感因子α和γ,即选出10组在测试集上表现优异的CART决策树模型,并通过加权投票进行集成。最后,将本算法和一些传统的机器学习算法进行对比来证明本算法的有效性。（2）基于代价敏感学习的CNN软件缺陷预测方法。传统的手工制作的特征无法有效地捕捉到程序的语义和结构信息,而深度学习架构可以有效地捕捉高度复杂的非线性特征。因此,本文提出了基于代价敏感学习的CNN软件缺陷预测方法。首先,将程序代码解析成抽象语法树节点,并将每个抽象语法树节点转化成字符串向量,通过映射关系转化成数值向量,并将数字向量输入到卷积神经网络中,来提取代码的语义语法特征。其次,将通过CNN获取的特征和传统特征相结合,从而获取更丰富的bug源代码的特征表示。再次,构建代价敏感的CNN模型,引入multi-head attention机制来让卷积神经网络选择性地接受和处理信息;同时,通过给损失函数加上权值,使得当模型对有缺陷样本判断错误时,损失的权重更大。最后,将数据集输入到基于代价敏感的CNN模型中,并通过和传统的LR模型、DBN模型、DBN+模型以及DP-CNN模型的对比来证明本算法的有效性。