近年来,随着信息时代中互联网的迅速发展,软件在人类社会生活中的应用越来越普遍,移动支付、物联网、云计算、AI技术的普及,都依赖于软件为载体,我们正在步入智能软件的社会。与此同时,软件规模在急剧的扩大,软件复杂性不断提升,如何保障软件的质量,对软件测试技术提出了新的要求。其中,由于软件版本的更新更加频繁,软件工程师通过执行回归测试来确保软件系统的质量,这意味着整个软件生命周期中需要多次执行回归测试。因此,提高回归测试的效率对确保软件系统的质量和快速交付具有重要的实际意义。变异测试又称变异分析,它是基于程序源代码缺陷的软件测试技术,通过对源程序代码进行合理的语法更改,生成变异程序,使用测试用例执行变异程序,评估测试用例的有效性,进而指导软件工程师修改或设计更高质量的测试用例,目前该技术是评估测试用例集充分性最强的技术之一。在回归测试中,测试用例优先级排序和测试用例集约简是两个不同的研究问题,但本质上存在相互关联性。对测试用例进行优化排序,总会存在一些重复检测能力的测试用例;被约简之后的测试用例集,再次执行回归测试时,需要全新的测试用例执行顺序。为了提升整体回归测试的时间效率,本文利用变异和聚类技术对测试用例进行优化和约简。考虑测试用例的多样性,从聚类簇中选择边缘测试用例;依据测试用例的相似性,把具有相同故障检测能力的测试用例聚类到相同的簇中,进而实现约简大量相似的测试用例。针对回归测试过程中多次执行测试用例消耗大量时间和计算成本的问题,本文提出了一个基于变异和聚类技术的多优先级选择方法框架,能够对测试用例进行优先级排序和约简,再次执行回归测试时,可以使用优化和约简之后的测试用例集,进而提高回归测试整体效率,实现软件系统快速交付的任务。在此框架中,一共包含两个部分。第一个部分,提出了多优先级选择方法（Multi-Priority Selection Method,简称:MPS）。首先,对源程序进行变异分析,获得变异分析之后的日志文件。依据这些日志信息,提出了日志解析算法,把日志信息转化为矩阵信息,每个矩阵中的值代表测试用例是否能够杀死相应的变异程序。其次,通过更改测试用例的权重,转化为多优先级矩阵,根据相同的变异算子对高维矩阵进行拆解,划分为变异程序单元矩阵,每个变异程序单元中的变异程序由相同的变异算子生成。然后对变异程序单元矩阵并行聚类,从聚类之后的测试用例簇中选择高优先级测试用例。最后,每一个变异程序单元都能够获得一个约简之后的测试用例集,将结果进行整合,在集合中增量式添加测试用例,再进行一次优先级排序操作,获得最终优化和约简之后的测试用例集。在更新测试用例集部分,首先复制一份测试用例集源文件,将集合中的编号和测试用例的名称进行映射,移除没有在集合中出现的测试用例,并调整测试方法的执行顺序,再次执行回归测试时,使用优化和约简之后的测试用例集,提升回归测试过程的整体测试效率。多优先级选择方法中的MPS算法对395个现实世界的开源程序数据集和五个现有的算法进行评估。实验结果表明,MPS算法通过并行聚类的方式能够保证较低测试用例集错误检测能力的损失,降低计算成本,与其它的启发式算法相比,具有一定的优势。MPS算法主要有以下特点:1)多样性和相似性:同时考虑测试用例的多样性和相似性,将具有相似故障检测能力的测试用例聚到相同的簇中,在每个测试用例簇中选择边缘测试用例。使用相似性距离的比例来控制产生簇的数量,解决了预先指定固定K簇数量的问题。MPS算法不会受到各种相似性距离计算方式的影响,并且在保留触发真实程序错误的测试用例方面具有显著的优势。2)速度快和高性能:软件系统中测试用例的数量能够达到几万个,生成的矩阵维度很高,计算测试用例之间的相似性代价大,花费大量时间成本,MPS算法采用矩阵拆解,并行聚类,以增量式的方式添加测试用例,能够大幅降低计算成本,可以很好的处理高维度的测试用例集,拥有较快的计算速度。3)灵活性和扩展性:设置不同相似性距离比例的阈值将生成不同大小的测试用例簇,MPS算法可以根据不同的测试目标来调整簇的数量,具有较强的灵活性。对于多优先级选择方法框架,在变异分析阶段可以和自动生成测试用例工具集成,进而实现自动生成测试用例,自动执行回归测试,整个框架易于扩展。