软件故障预测运用软件度量指标及历史故障数据建立预测模型,以确定待测软件模块是否有故障倾向性。故障预测研究中,特征选择是一个重要步骤,该步骤选取一定维度的部分故障数据建立预测模型来提高模型性能,以达到压缩特征维度,提高模型预测精度,降低预测模型复杂度,节约计算资源的目的。软件故障预测中若采用大量度量指标建立预测模型可能因其中含有无关特征使预测模型性能受到不良影响,因此故障预测中的特征选择具有重要的研究价值。现有特征选择方法或所选特征子集建立的预测模型有效性较低;或耗费计算资源、所选特征维数较高,在特征维度较大时易导致维度灾难。针对以上问题,本文提出了一种基于拓展贝叶斯信息准则的特征选择方法EBIC-FS,该方法对数据做线性回归并计算出残差平方和较小且数据维数较少的特征模型,具体为:在第一轮进行特征排序,计算每个特征的EBIC值,得到特征排名列表;第二轮以最优特征——最优特征+次优特征的次序依次增加特征维数,每一维度的特征集合为一个特征子集,计算每一维度下各个特征子集的EBIC值,从中选出最佳特征子集。确定最佳特征子集后,用逻辑回归、朴素贝叶斯、决策树、k近邻、随机森林5个分类器分别建立故障预测模型。通过在M&R和Promise两个公开数据集的3个开源软件上进行实验,结果表明该方法能有效压缩特征维度,且预测模型性能与原数据集建立的预测模型、3种特征排序方法、1种特征子集选择方法相比,模型性能有较大提升,验证了本文EBIC-FS方法的有效性。