随着软件产业的迅速发展，为了保证软件的质量，软件开发人员需要快速、准确地获取各种缺陷信息，及时发现并修改缺陷。软件度量数据是需要获取的重要软件预测信息之一，且它是典型的海量高维非线性数据。目前存在的软件缺陷预测方法都是在原始度量数据的基础上进行建模和预测工作，受到分类器和数据规模的限制，其预测精度和执行速度都不是特别理想。尤其是在有缺陷倾向的软件模块的预测精度和召回率上的表现不佳。而流形学习对处理这类数据有独特的优势，能够较好的发现隐藏在其中的非线性流形。本文主要研究了基于流形学习的软件缺陷预测算法及其在软件质量预测中的应用。主要研究内容包括以下几个方面： 　　1)分析了现有缺陷预测方法中的有缺陷倾向模块的查准率和召回率低的问题，在软件缺陷预测技术中引入了流形学习方法，探讨了将流形学习应用在软件缺陷预测领域的意义。 　　2)针对现有预测方法中存在的相关问题，提出了一种基于流形学习的软件缺陷预测方法，该方法将流形学习与分类算法结合起来，首先利用流形学习算法对软件度量数据提取特征，然后利用分类算法对得到了低维数据进行预测。 　　3)在NASA软件度量数据集上，对所提出的方法进行了测试，比较了降维前后的预测结果。实验中，流形学习算法采用ISOMAP、LLE和LE算法，分类算法采用K近邻、支持向量机和朴素贝叶斯算法。实验结果表明，基于流形学习的软件缺陷预测方法与直接利用分类算法进行预测相比，预测精度和执行效率都有了较高的提高，尤其是有缺陷倾向的软件模块的查准率和召回率得到了较大的提高。