软件缺陷是计算机软件固有的属性,同时也是导致软件系统在运行过程中出现异常的主要原因。所以,尽早地发现软件系统中存在的软件缺陷,可以避免或最小化在软件开发后期为修改缺陷所造成的资源浪费,节约开发成本。20世纪70年代,软件缺陷预测技术作为一种预测软件缺陷分布的手段逐渐被发展起来,并且在软件工程领域受到了极大关注。经过40多年的发展,各种软件缺陷预测方法相继被提出并取得了良好的效果。基于BP神经网络的软件缺陷预测模型是其中性能较好的一种,它利用软件模块中各种属性以及历史性软件缺陷数据进行分析预测,对含有缺陷的软件模块作出预测。虽然基于BP神经网络的软件缺陷预测模型具有较好的预测效果,但是该模型在输入层信息以及模型参数寻优等方面存在不足,容易导致整个模型的预测准确率并不是很高。所以,为了提高BP神经网络的软件预测模型的预测准确度,本文主要做了如下几项工作:第一,提出基于互信息和自信息改进的主成分分析方法,进行软件缺陷数据特征降维,在保留原始输入信息完整的前提下,最小化模型输入元数量;第二,提出一种基于差异初始化信息素和局部路径优化的蚁群优化算法,用于代替BP神经网络自有的“梯度下降法”优化参数,提高得到预测模型最优参数的概率;第三,建立基于改进ACO优化BP神经网络的软件缺陷预测模型,提高缺陷预测准确率。最后,对本文提出的软件缺陷预测模型进行仿真实验验证模型的性能。使用NASA提供的软件缺陷数据集进行缺陷预测,并对预测结果进行基于十折交叉方法进行准确率、查准率、查全率等计算。通过与几种传统方法对比,证明本文方法可以得到更高的预测准确度。