软件缺陷预测指的是运用科学的方法,运用软件开发过程中的历史数据,对软件模块进行缺陷预测的研究。借助于模型预测的结果,研究人员可以合理的分配测试资源,保证开发效率以及软件质量。然而,在实际应用场景中,往往缺乏充足的历史数据供给预测模型训练。为解决此问题,本文从两个角度设计相应方案。一方面,深度梯形网络对无标签的历史数据和少量有标签的历史数据加以利用,与传统半监督以及有监督预测相比,提高了预测精确率。另一方面,利用迁移学习的知识,迁移应用其他项目的历史数据,建立目标项目的预测模型,提高预测精度。首先,为解决同项目中有标签历史数据较少的问题,提出了深度梯形网络软件缺陷预测方法。该方法引入半监督深度梯形网络模型,将降噪解码函数加以改进,同时利用无标签和有标签数据,构建预测模型。大幅提高了模型预测准确度。其次,为了改进现存的软件缺陷预测领域类不平衡问题。本文引入代价敏感学习,将深度梯形网络有监督部分加入代价惩罚项,即把不同类别的误分类成本加入模型中。提出了基于代价敏感的深度梯形网络软件缺陷预测模型,有效地减轻了类不平衡问题对缺陷预测带来的负面影响。最后,为解决同项目历史数据缺乏或者不足这一问题,提出了基于流形学习的测地线跨项目软件缺陷预测方法。借鉴其他项目的数据信息,利用迁移学习的方法,将源数据集和目标数据集嵌入到高斯流形中。构造整合了源数据点和目标数据点之间无限的子空间变化的测地线流形。具体来讲,特征数据投射到这些子空间形成一个无限维的特征向量。这些特征向量之间的内积定义了一个可以在封闭形式的原始特征空间上计算的核函数。内核封装了两个域之间的差异和共性之间的增量变化。至此,该子空间就是源数据和目标数据变换形成的两个分布近似的空间,用传统的项目内的软件缺陷分类器进行预测标签。与经典的半监督项目内预测方法以及跨项目缺陷预测方法相比,本方法在NASA,AEEEM和ReLink数据集上取得了更好的预测效果。