在软件产品呈现多样化的今天,软件规模与复杂度也随之提高,给软件测试与质量保证带来了新的挑战。软件缺陷预测通过历史代码模块构建缺陷预测模型,预测项目中潜在的缺陷模块,帮助开发者合理地分配有限的测试资源以及优化测试流程,为软件质量提供保障。传统的软件缺陷预测方法通过设计与源代码统计特性相关的软件度量作为缺陷预测模型的输入特征。然而这些手工软件度量存在不能充分地捕获源代码语法结构和语义信息的问题。此外,在跨项目软件缺陷预测任务中,不同的项目数据分布存在差异,缺陷预测模型从一个项目中学习到的知识难以直接应用到其他项目中。为了解决上述问题,本文对基于源码语义的软件缺陷预测方法进行了深入研究和优化,利用深度学习从源码的另一种表示形式抽象语法树中提取源码的语义特征用于缺陷预测,具体研究工作包括:（1）针对抽象语法树中节点的词嵌入问题,结合连续词袋模型,赋予中心节点的父节点和子节点以不同的权重,提出了一种抽象语法树权重编码方法;（2）针对源码语义提取问题,将抽象语法树节点编码后,不仅使用抽象语法树的先序序列,还使用中序序列一起输入到双层的长短期神经网络模型中提取源码的语义特征,提出了一种项目内缺陷预测模型;（3）针对跨项目软件缺陷预测任务中的数据分布差异问题,引入迁移学习中的领域自适应方法改进缺陷预测模型,在再生核希尔伯特空间中减少源项目与目标项目之间的数据分布差异,使得模型从源项目中学习到的知识能够迁移到目标项目。最后结合Web应用技术,设计并实现了一套软件缺陷预测系统。在PROMISE数据集中的一系列实验表明,相对于传统的缺陷预测方法或者基于深度学习提取源码语义的缺陷预测方法,本文提出的方法能够提高缺陷预测的性能表现,为软件缺陷预测的研究提供了一种新的思路。