软件缺陷存在于软件开发的各个环节中,是影响软件质量的主要因素。随着现代软件产业规模的不断壮大和质量需求的逐步提升,软件缺陷预测（Software Defects Prediction,SDP）已成为降低开发成本、保障软件质量的重要技术手段。软件缺陷预测通常基于复杂度等度量指标,利用信息检索和机器学习等方法实现对潜在威胁发生概率的预估,其目的在于最小化测试与维护的时间和空间消耗,对于提升开发效率和提高可靠性有很大帮助。在传统的软件测试和维护过程中,开发人员为解决缺陷消耗了大量的资源,高效的缺陷预测技术可以用于指导资源的分配,提升整理的能效。迄今为止,学术界和工业界提出了很多缺陷预测模型。但这些模型缺少有效的适用范围分析,开发人员在具体的需求场景中难以选择合适的预测模型。为了更好的适应不同预测技术的特征,本文工作利用机器学习分类器来预测缺陷。本文工作基于支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）,通过分析面向对象程序的多种度量指标,对软件缺陷进行分析预测。在具体工作中,预测模型通常使用基于测试数据和训练数据的三种不同的预测技术来创建,即交叉验证预测、交叉版本预测和交叉项目预测。我们的研究使用了跨版本的数据来预测软件缺陷,旧版本软件为训练集提供数据支持,有效保障了同项目后续版本缺陷的预测精度。为验证本文工作的有效性,我们从开源项目Eclipse的版本库中抽取了三个待测版本。建立缺陷预测模型的需要从历史数据中抽取实例,历史数据来源于VCS版本控制系统、缺陷跟踪系统和电子邮件记录等。一个实例包含多个从软件仓库中提取的度量指标和属性,相关代码被标记为是否存在软件缺陷,如存在则进一步标记缺陷数量。实例的标记信息用于机器学校算法的度量操作,为保障预测精度,我们引入了数据预处理的操作步骤。经过数据预处理,我们基于面向对象软件度量指标和算法来构建缺陷预测模型,旨在利用不同指标的特征预测不同类型的缺陷。实验中的数据被分割成多个文件进行打包。为了提高模型训练的精度,我们改进了支持向量机（SVM）和极限学习机（ELM）的使用方法,使其能够适应多种场景下的缺陷预测。为了验证模型的预测性能,实验中采用精确度、准确度、召回率、AUC（ROC曲线下的面积）等指标来评估预测结果。实验数据显示,支持向量机具有最佳准确度,AUC值明显降低。因此可以得出结论,支持向量机最适合交叉版本缺陷预测。将来,我们将使用更多的机器学习技术来预测缺陷的数量、缺陷的类型以及缺陷的修复建议,同时将我们的研究扩展到交叉验证预测和跨项目预测领域中。