在软件的调试过程中,有效而准确地识别错误的位置非常重要,其中基于覆盖的错误定位(CBFL)和基于变异的错误定位(MBFL)广泛应用于软件调试中。这两种错误定位方法都需要使用测试用例信息实现错误定位,包括测试用例的代码执行路径和测试用例的输出结果信息。已有的研究表明,基于变异分析的错误定位技术的精度高于基于覆盖的错误定位技术。基于变异分析的错误定位技术采用人工植入错误的方法生成变异体,也就是相应的变异程序,在这些变异体上执行测试用例,最后计算出每条语句的怀疑度值。开发人员根据语句怀疑度值的排列顺序,依次检查语句,从而提高软件调试效率。MBFL的错误定位精度高,但考虑到大型程序拥有极大数量的测试用例,因此获取测试用例的执行结果是一项花费巨大的工作。针对在大量变异体上执行测试用例并获取执行结果的过程中存在的巨大花费,本文提出了一种基于神经网络算法和程序变异的测试用例输出预测方法。首先在少量变异体上执行测试用例,用这些执行结果作为训练集,然后预测剩余测试用例的执行结果。通过神经网络模型预测测试用例的执行结果,可以大大减少人工判断测试用例执行结果的成本,进而提高软件测试人员的工作效率。为了进一步验证基于神经网络算法的测试用例执行预测模型的效果,本文通过实验比较了不同机器学习算法在不同训练集比例时对执行测试用例结果的预测效果。此外,本文比较了结合神经网络算法的MBFL方法和原始MBFL在错误定位上的效果,进一步验证了本文提出方法的有效性。本文试验采用了 144个错误版本,分别来自3个基准程序并包含2至8个错误程序。实验计算了基于同样神经网络算法下基于语句覆盖和变异覆盖两种算法的精确率,召回率,误报率和漏报率。实验结果表明基于变异的方法比基于覆盖的方法在不同比例的训练集下有更好的预测效果。同时,实验进一步证明了神经网络算法在多错误情况下比其他的机器学习算法有更好的预测效果。最后,实验比较了结合神经网络算法实现的基于预测的MBFL和原始的MBFL在单错误和多错误情况下的错误定位精度,实验结果表明错误定位结果的精度几乎相同。因此,本文提出的基于神经网络算法和程序变异的测试用例结果预测方法可以有效降低测试用例执行结果的花费。