软件缺陷预测作为软件工程领域的研究热点,其主要的目标是发现软件中存在的缺陷从而提高软件质量。以往的研究大多数致力于项目内缺陷预测,项目内缺陷预测是指采用一个项目中的历史数据来训练缺陷预测模型,在同一个项目上测试软件模块的缺陷倾向性。然而同一个项目中如果没有足够的历史数据,会导致项目内缺陷预测效果变差。此时跨项目缺陷预测作为一种新的解决方法,通过采用其他项目的历史数据来建立一个缺陷预测模型,并在一个新的项目上进行预测。然而跨项目中的数据分布差异显著和数据集的类不平衡问题往往会导致缺陷预测模型的性能变差,本文基于这两个问题,将深度自编码器技术应用在跨项目缺陷预测中,提出3种不同的方法来提高缺陷预测的性能。首先,为了解决跨项目中的数据分布差异问题,提出了一种基于共享隐层自编码器的跨项目缺陷预测方法。该方法首先设计了一种共享隐层自编码器的网络结构,通过利用隐层参数共享机制来有效减小源项目和目标项目二者的特征分布差异。其次,设计了一种类内鉴别性损失函数来有效约束隐层公共子空间中的特征,提高类内特征的紧凑性。最后采用提取的深度源项目的特征来构建缺陷预测模型,提高了缺陷预测模型的准确度。其次,为了解决跨项目缺陷数据集中的类不平衡问题和有标记数据较少的问题,提出了一种基于半监督代价敏感改进自编码器的跨项目缺陷预测方法。该方法在深度自编码器训练过程中结合监督学习和无监督学习,对于训练过程中的监督部分加入类内鉴别性损失,对无监督部分重构损失。同时引入代价敏感学习技术来有效缓解类不平衡带来的影响,做法是通过对不同类别的样本施加不同的误分类代价值,缺陷预测的性能得到进一步的提高。最后,为了得到紧凑性更好的类内特征和分离性更优的类间特征,提出一种基于焦点损失改进自编码器的跨项目软件缺陷预测方法。该方法在深度自编码的训练过程中加入类内鉴别损失项和类间鉴别损失项来使源项目和目标项目在共享子空间中的分布更相似。此外使用一种更好的损失函数来处理类不平衡,采用焦点损失函数结合类别加权和难度加权。它的做法是通过给不同类别的样本施加不同的权重,并且考虑样本的难易分类程度,对难分类样本和易分类样本施加不同的权重,来有效解决类不平衡问题。与其他的几个跨项目对比算法相比,本文提出的3个方法在RELINK、NASA、AEEEM数据集上的实验提高了缺陷预测的性能。