随着软件的多样化应用,软件规模不断扩大,复杂性日益提高,软件安全面临的挑战日益严峻。在软件的设计和程序开发过程中,不可避免的存在着软件缺陷,严重威胁软件安全。因此,在软件交付前,提前检测并修复软件缺陷,有助于优化测试资源,提高软件质量,节省人力物力成本。跨项目缺陷预测技术利用来自其它项目（源项目）中的数据,自动挖掘有效特征,训练缺陷预测模型,用于预测目标项目的软件样本是否存在缺陷。跨项目缺陷预测是提高软件开发质量和可靠性的可行的解决方案,取得了一定成效。目前跨项目缺陷预测在实际应用中仍然存在一些挑战。如何对缺陷数据的鉴别信息进行充分、有效的挖掘,是跨项目缺陷预测的关键问题。在鉴别学习的过程中,具体存在以下挑战:来自不同项目的数据分布差异导致分布不适配;已有方法通常假设源项目数据带有标签,然而实际应用中获取的样本往往是无标签的,存在对大量无标签数据的有效利用问题;不同类型的度量从不同的视图描述了同一软件模块,对来自多种软件度量的多源数据的有效信息挖掘不足。本文主要针对以上问题,基于鉴别特征学习的技术,设计相应的解决方案,从而进一步提高跨项目缺陷预测的性能。本文的具体研究工作如下:（1）针对数据鉴别信息的充分、有效挖掘问题和分布不适配问题,提出了两种基于迁移学习的缺陷预测方法:基于选择性伪标记的子空间学习（Selective Pseudo-labeling based Subspace Learning,SPSL）方法和流形嵌入式分布自适应（Manifold embedded Distribution Adaptation,MDA）方法。为了减少不同项目间的数据分布差异和充分挖掘数据的鉴别信息,SPSL联合使用子空间学习和伪标记技术。SPSL首先学习一个映射矩阵使来自源和目标项目的数据映射到公共空间,使其分布趋于相似。在该公共空间中,SPSL通过近邻预测技术和结构化预测技术对来自目标项目的无标签数据进行预测得到伪标签,然后联合来自源项目的带标签数据和来自目标项目的带伪标签数据,同时利用其中的信息更新映射矩阵。为了进一步缩小来自不同项目的数据之间的分布差异,MDA同时考虑了边缘分布差异和条件分布差异。MDA首先通过流形特征学习将高维数据映射到流形空间中,便于挖掘来自不同项目的数据的信息。其次,MDA联合使用边缘分布和条件分布,执行分布自适应学习,以减少数据间的分布差异。实验结果表明这两个方法可以充分挖掘来自不同项目的信息,解决数据的分布差异过大问题,提高预测性能。（2）研究对无标签数据的有效利用的问题,提出了鉴别性对抗特征学习（Discriminative Adversarial Feature Learning,DAFL）方法。DAFL将对抗学习框架引入到半监督跨项目缺陷预测中,以更好地解决不同项目的数据分布差异问题。DAFL由彼此竞争的特征迁移器和项目鉴别器两部分组成。特征迁移器用于挖掘来自目标项目的有标签数据和来自源项目的无标签数据的鉴别信息,同时利用数据的内在结构信息,提高数据的鉴别性。项目鉴别器在生成的特征表示上判别软件样本是来自于源或目标项目,用于减少不同项目的数据分布差异。实验结果表明该方法可以有效地挖掘无标签数据和有标签数据的鉴别信息,解决数据的分布差异过大问题,提高模型的预测性能。（3）探索解决来自多源数据的联合挖掘问题,提出了深度多视图跨项目缺陷预测（Deep Multi-view Cross-project Defect Prediction,DMCDP）方法。考虑现有的缺陷预测方法忽略了产品度量和过程度量之间的互补信息,DMCDP将基于产品度量和过程度量的软件缺陷预测建模为多视图学习问题。DMCDP设计了一个深度学习框架,用于解决同一项目上的来自不同视图的软件度量间的异质问题,同时可以挖掘视图间数据的互补性和鉴别性。考虑到来自不同项目之间的数据分布差异过大问题,设计了一个差异约束,用于减少来自不同项目间和不同视图间的差异。实验结果证明基于多视图学习的跨项目缺陷预测框架DMCDP的性能优于其它缺陷预测模型。