孪生网络是一种建立在度量学习理论基础上的机器学习方法,与其他神经网络相比,能较好地解决小样本等分类问题,成了机器学习领域的研究热点。其作为一种特殊类型的神经网络结构,即使在样本数量较少情况下依然能够取得良好的学习效果,比较适合解决文本分类、缺陷预测等典型小样本学习问题。因此,研究基于孪生网络的软件缺陷预测方法具有较强的理论意义和实用价值。本文以静态软件缺陷预测的关键问题（例如,缺陷数据集样本量少、类不平衡分布影响和历史数据不足等）为研究对象,将孪生网络作为核心理论与方法,分别从度量学习、代价敏感学习、元学习、样本权重再学习等角度,探究适合于面向分类任务的有监督软件缺陷预测方法,旨在进一步提高静态软件缺陷预测性能。本文的研究工作主要包括以下内容:（1）基于孪生网络的特征相似性度量学习方法针对缺陷数据集中样本量不足问题,提出了基于孪生网络的特征相似性度量学习方法。该方法利用孪生网络和全链接网络构建了用于小样本学习的孪生全连接网络模型。同时,在原对比损失函数基础上融入了余弦距离函数,使新的损失函数不仅考虑了输入样本对的类间差异而且还关注着样本对的类内差异。与基准对比方法的实验结果表明,所提方法能有效地提升在小样本不平衡情况下软件缺陷分类准确率,可以有效地对软件缺陷进行预测。（2）基于代价敏感学习的孪生并行网络模型针对缺陷数据集中类不平衡分布问题,提出了基于代价敏感学习的孪生并行网络模型。该模型利用“深”与“浅”的网络融合思想设计了用于小样本学习的孪生并行网络模型。同时,利用代价敏感学习技术将不同的误分类代价融入网络模型中,使对误分类代价不敏感的网络模型转换为代价敏感的神经网络,通过最小化总误分类代价来减小数据集类不平衡分布对模型性能的影响。不同误分类代价下的实验结果表明,相对于基准对比方法,该方法在软件缺陷数据集上的分类效果更好。（3）基于元学习的集成孪生分类器针对早期缺陷预测历史数据不足问题,提出了基于元学习的集成孪生分类器。该方法首先根据元学习技术设计了用于类不平衡分布的元知识学习函数。该函数通过对多类数据的内积变换特征进行划分,使得划分后的正负样本数量大小相当或近似相当。然后,利用孪生并行网络模型作为基分类器,通过集成学习技术将各个基分类器集成,使集成后的强分类器不仅减小了模型方差而且分类性能更好。实验结果表明该方法的多个性能指标值优于基准对比方法。（4）基于孪生网络的样本权重再学习方法针对跨项目缺陷预测不平衡问题,提出了基于孪生网络的样本权重再学习方法。该方法利用孪生网络和卷积神经网络构建了用于小样本学习的孪生卷积神经网络。同时,针对数据集类不平衡分布问题,设计了样本权重再学习算法。该算法将样本权重再学习转化为在线近似学习,并根据训练损失曲面下降方向与验证损失曲面下降方向间的相似度来对不同类别的样本权重重新赋值,从样本权重再学习角度来缓解数据集类不平衡分布对模型分类性能的影响。项目内与跨项目缺陷预测的实验结果表明了该方法的有效性。