计算机软件正在逐步渗透至人们生活的各个领域,人们对于软件的质量也有了更高的需求。在软件开发的各个阶段分别加入完整软件测试过程,可以保证测试的充分性及软件的可靠性和安全性。其中测试用例的设计往往是主要问题所在,自动化的测试用例生成已成为人们关注的重点。基于数据流的测试用例生成主要是利用搜索算法,来生成满足数据流覆盖准则的用例。相比于控制流覆盖准则,数据流覆盖准则不会丢失方法之间的数据流交互关系。在测试用例生成过程中,算法性能及被测程序插桩所消耗的时间成本严重影响了测试用例的覆盖率及其生成的效率。目前,现在的技术在性能上还有提升空间。基于数据流的测试用例生成还存在着用例覆盖率相对较低,遗传算法局部搜索能力不足,插桩的时间消耗和计算消耗较大的问题。因此本文主要研究了基于数据流覆盖准则的测试用例自动生成算法,提高测试用例的覆盖率,减少时间消耗。本文研究内容如下:（1）针对遗传算法以及模拟退火算法的不足,提出在遗传算法的基础上根据当前种群覆盖率来间歇性引入模拟退火算法的策略。在变异阶段根据覆盖率来判断是否以一定的退火概率接收不好的个体。为了验证该改进算法在数据流覆盖准则中测试用例生成的有效性,设计实验与其他算法及文献进行对比,结果表明该改进算法覆盖率相较于其他测试用例生成算法来说有明显提高,迭代次数减少,算法性能提升。（2）针对插桩过程中存在的时间损耗和计算消耗问题,本文提出利用神经网络建立代理模型模拟适应值计算过程的方法,使得不执行源被测程序便可得到测试用例的适应值。其次为了保证网络精度,同时提高网络泛化能力,本文提出隐含层神经元优化策略,用来优化神经元数量,提高网络性能。设置实验进行验证,结果表明该模型可以应用于计算测试用例适应值且用例生成时间相较于插桩方式有明显减少,所需隐含层神经元数量相对较少。（3）根据文中提到的测试用例生成方式,设计数据流覆盖准则下的测试用例生成软件。从登录模块,数据流分析模块,测试用例生成模块和测试用例管理模块四个子模块进行设计与实现,达到提高测试人员测试效率的目的。