软件缺陷预测技术已成为软件工程领域中的热点研究问题,该技术通过挖掘软件历史数据,抽取与软件缺陷相关的指标数据,构建有效的缺陷预测模型,并对新的软件模块进行有无缺陷的分类,从而有效地分配有限的测试资源。通常,构建性能优越的缺陷预测模型需要足够多的历史标注数据。但是现实中收集并标注足够多的训练数据相当困难:一方面,对于新开发项目,通常仅含有少量历史标注数据;另一方面,标记数据需要耗费大量的人力和物力。因此,跨项目缺陷预测技术应运而生,该技术使用其他项目（即源项目）的历史数据来构建一个有效的缺陷预测模型,并预测当前项目（即目标项目）中的软件模块是否含有缺陷。国内外研究人员针对跨项目缺陷预测提出了多种解决方法,但是跨项目软件缺陷中仍然存在一些问题亟待解决。具体而言,（1）在跨项目软件缺陷预测中,源项目数据和目标项目数据来自不同的分布,分布差异导致在源项目上构建的缺陷预测模型并不一定适用于目标项目。（2）跨项目软件缺陷预测假设源项目中存在足够多的标记数据,而目标项目没有足够多的标记数据。但实际应用中,可能既没有足够多的目标项目数据,也没有足够多的源项目数据。（3）在现有的研究工作中,研究者更多关注如何提高缺陷预测的性能,而很少关注跨项目软件缺陷预测模型在使用过程中对软件开发人员产生的影响。针对上述三个关键问题,本文提出了三种有效的解决方案。具体工作如下:（1）针对跨项目软件缺陷预测中源项目数据和目标项目数据之间存在分布差异的问题,提出了基于聚类的特征选择方法（FeSCH）。该方法使用基于密度峰的聚类技术,从源项目和目标项目中筛选出分布相似的特征作为最终构建模型的特征数据,有效地缩小了源项目数据和目标项目数据之间的分布差异,提高了模型在目标项目上的适用性。具体而言,FeSCH包含两个阶段:特征聚类阶段和特征选择阶段。在特征聚类阶段,FeSCH使用基于密度峰的流型聚类技术将原始特征划分到多个簇中。在特征选择阶段,FeSCH使用特定的排序策略,从每个簇中等比例地选择在源项目和目标项目上具有相似分布的特征。FeSCH方法中设计了三种启发式的排序策略:特征自身密度,特征分布相似性和特征与类标相关性。为了验证FeSCH方法的有效性,基于广泛使用的开源软件项目与基准方法进行了比较,实验结果证明了 FeSCH方法能有效地缩小源项目和目标项目之间的分布差异,并提高缺陷预测的性能。（2）针对源项目和目标项目都没有足够多的标记数据问题,提出了基于多任务学习的跨项目缺陷预测方法（MASK）。该方法使用多任务学习技术,从源项目和目标项目中抽取项目之间的相关信息（即共性信息）,并结合自身信息（即个性信息）,在一定程度上等价于增加了所有项目自身的训练数据,并达到了共同学习的目的,从而将其他相关项目中有用的信息应用到自身模型的构建中,完成跨项目缺陷预测。具体而言,MASK包含两个阶段:差分演化阶段和多任务学习阶段。在差分演化阶段,MASK旨在找到源项目和目标项目之间共性信息和个性信息的权重。在多任务学习阶段,MASK为源项目和目标项目同时构建多个预测模型。为了验证MASK方法的有效性,基于广泛使用的软件项目与基准方法进行了比较,实验结果证明了 MASK方法能有效地抽取多个项目的共性信息,并充分利用自身的个性信息构建预测模型,提高缺陷预测的性能。（3）针对跨项目软件缺陷预测中如何衡量缺陷预测模型对开发人员产生的影响问题,提出了一整套代价敏感的缺陷预测性能指标,并提出代价敏感的跨项目软件缺陷预测方法（EASC）。该方法能够同时考虑代价敏感的指标和代价不敏感的指标,并在不同场景下选择合适的策略用于缺陷预测。具体而言,在代价不敏感的情况下,优先检查代码规模较大的软件模块。在代价敏感的情况下,优先检查缺陷倾向性与代码规模之间比例较大的软件模块。为了验EASC方法的有效性,基于广泛使用的软件项目与基准方法进行了比较,实验结果证明了EASC方法在代价敏感和代价不敏感的情况下都能取得较好的性能。因此,建议未来的研究工作在开发新的跨项目缺陷预测方法时,将EASC方法作为基准方法进行比较。