软件产品的规模和复杂度随着互联网技术的发展与日俱增,使得交付高质量、低成本和易维护的软件产品难度增加,同时也增加了产生缺陷的概率。在软件产品发布之前,利用软件缺陷预测技术构建相关模型能够识别出软件中容易产生缺陷的模块,使公司合理分配有限资源以进行测试和维护,能够大大降低成本并提高软件质量。构建一个稳定高效的缺陷预测模型通常需要大量的类平衡缺陷数据集,但是在构建预测模型时,软件缺陷数据集通常面临两个问题:历史缺陷数据集中有缺陷的样本太少（即类不平衡）和新启动项目难以获取具有相同分布的历史缺陷数据,导致训练出的缺陷预测模型往往达不到预期效果。本文从少样本数据角度出发,针对少样本数据的软件缺陷预测技术进行了研究,主要内容如下:第一,基于GAN网络的类不平衡软件缺陷预测过采样方法。软件缺陷预测中有缺陷的模块远比无缺陷的模块少得多,使得两类样本分布不平衡。目前,提出了许多技术来解决类不平衡问题,过采样技术是最具代表性的方法之一。然而,大部分利用过采样技术的方法会同时生成许多非多样化的合成样本。利用这些非多样化的合成样本构建模型会降低模型的预测性能。GAN网络能够充分利用样本分布的空间关系,挖掘出样本之间隐藏的一些关联信息,通过生成器和判别器交替优化的方式使得生成的新样本更加多样化。鉴于此,提出了一种新颖的基于GAN网络的过采样方法来解决历史缺陷数据集中有缺陷的样本太少的问题。在26个不平衡的缺陷数据集上的实验表明,该方法的性能优于现有的过采样方法。第二,基于同步语义对齐的异构缺陷预测方法。由于在新启动项目中历史缺陷数据集难以获取,搜集训练数据又依赖于专家知识,费时费力且容易出错,我们探究了使用源项目的异构特征数据来预测目标项目中软件模块的缺陷倾向性。目前大多数异构缺陷预测方法通过学习域不变特征子空间以减少域之间的差异来解决异构问题。但是,源域和目标域通常呈现出巨大的异质性,使得域对齐效果并不好。究其原因,这些方法都忽略了分类器对于两个域中的同一类别应产生相似的分类概率分布这一潜在知识,没有挖掘数据中包含的内在语义信息。鉴于此,提出了一种基于同步语义对齐的异构缺陷预测方法。从异构角度化解了新启动项目难以获取具有相同分布的历史缺陷数据的问题,且利用挖掘的语义信息训练出的模型依然稳定高效。对来自30个不同项目的公共异构数据集进行的实验验证了该方法的有效性。第三,基于少样本数据的软件缺陷预测系统。针对上文提出的两种方法,设计了一个简易的基于少样本数据的软件缺陷预测系统。使用该系统可以直观地观察到数据集中有缺陷样本过少的问题,从而对类不平衡的数据进行处理。并且可以自行选择异构数据集,设置相应的参数后挖掘数据中的语义信息来进行异构缺陷预测。还可以清楚地看到在同步语义对齐的过程中公共特征子空间的具体形态。若发现学习到的特征子空间不够好,可以随时调整参数重新进行训练。该系统的实现,可以从视觉上直观地观察到本文所提方法的优劣,进一步验证本文方法的有效性。