工业软件的命运随着工业4.0革命的进行发生了巨大的改变。由于软件的重要性与日俱增,软件已经成为许多工业产品创新的主要驱动力。可以通过提高软件可靠性模型的预测精度来保障工业软件产品的质量。模型选择能够用来确定最佳模型,从而服从一些给定的假设。而模型平均则是考虑了由模型选择行为所造成的模型不确定性。本课题主要研究了贝叶斯方法在软件可靠性模型选择和模型平均上的应用,证明了贝叶斯模型平均法能够提高模型预测的准确度。具体的研究内容如下:（1）对软件可靠性进行建模与参数估计。系统地学习了软件可靠性相关内容,选择三种非齐次泊松过程类（Non-homogeneous Poisson Process,NHPP）模型作为候选模型集,并给出了模型具体的假设和数学推导过程,分别基于最小二乘法和贝叶斯后验推断去估计候选模型的未知参数从而求解候选模型。（2）基于贝叶斯法和拟合性能法进行模型选择。在进行可靠性评估之前,需要根据实际情况选择出适合的方法对具体对象进行建模。为此,分别计算候选模型的均方误差、Akaike信息准则值和贝叶斯信息准则值。本文将均方误差和Akaike信息准则值作为评价模型预测准确度的性能指标,基于拟合性能法选择模型。同时推导出如何基于贝叶斯信息准则值近似求解贝叶斯因子,在此基础上基于贝叶斯模型选择法进行模型选择。分别使用两种不同的选择方法,选择出性能最好的模型。（3）进行软件可靠性组合预测建模。为了考虑参数和模型的不确定性,本文采用贝叶斯推断计算模型的后验概率作为候选模型的权重进行组合预测建模。该贝叶斯方法是基于马尔可夫蒙特卡洛方法来实现的。另外本文还提出使用期望最大化算法去求解候选模型的权重,其中期望最大化算法常常用于混合高斯模型。同时也可以根据不同的性能指标赋予候选模型不同的权重,再根据算术加权法对候选模型进行加权平均得到混合模型。最后与基于贝叶斯模型平均法的组合预测建模进行比较,将均方误差、Akaike信息准则值和贝叶斯信息准则值作为评价方法的性能指标,分析使用贝叶斯模型平均法进行软件可靠性建模的优缺点。