基于变异的错误定位(Mutation-Based Fault Localization,MBFL)是一种基于变异测试的自动化程序错误定位技术,具有错误定位精度高的优点,但其需要通过植入故障生成数量众多的变异体,且每个变异体都需要执行全部的测试用例,导致该方法执行开销巨大,严重制约了该技术在工业领域的实际应用。现有MBFL优化技术主要从变异体抽样和执行过程等方面入手,存在着约减率不高或错误定位精度损失等问题。本文在分析MBFL执行过程的基础上,从变异体约减和测试用例约减两方面针对执行优化开展研究,旨在实现一种具有高约减率且无显著错误定位精度损失的优化技术。1、在变异体约减方面,本文通过研究支配变异体和错误定位之间的关联,提出了一种基于模糊支配的变异体约减策略(FDMOS)。该方法通过选择少量支配变异体进行错误定位,显著降低了执行开销,同时保证了错误定位精度。2、在测试用例约减方面,本文提出了一种基于信息熵的测试用例约减方法(IETCR)。该方法首先计算出测试用例的信息熵,然后根据信息熵对测试用例进行排序,最后选择少量有价值的测试用例执行变异体。IETCR通过减少测试用例规模实现提高MBFL执行效率的目的。因为保留了对错误定位精度影响较大的测试用例,因此对MBFL的错误定位精度影响较小。3、在上述方法的基础上,本文提出了一种变异体约减和测试用例约减相结合的方法(MRS),进一步降低了 MBFL的执行开销。为了验证方法的有效性,本文在SIR中6个程序112个错误版本上进行了实证研究,实验结果表明:FDMOS,IETCR,MRS分别能够约减41.2%～81.6%,56.3%～88.3%,78.2%～95.7%的 MBFL 执行开销。本文使用基于Wilcoxon signed-rank test的假设检验方法对错误定位精度进行统计分析,结果表明三种方法的MBFL技术在错误定位精度方面均与原始MBFL没有显著性差异。