缺陷模块预测可以使得项目管理人员了解缺陷的分布,从而有助于合理分配有限的软件开发资源以及提高软件测试与维护的效率。基于度量信息的预测方法是缺陷模块预测中最常用的方法,用于预测的软件度量信息通常分为三类：代码度量、过程度量和历史缺陷度量。本文在五个开源面向对象系统的基础上对三类度量的工作量感知的缺陷预测能力进行全面的分析和比较。对于每一类度量信息,我们收集尽可能多的度量指标。为保证比较结果的公平与可靠,过程度量与历史缺陷度量均以系统发布前六个月内记录的信息为提取对象,而模块的实际缺陷信息则只收集在系统发布后六个月内发现并修复的缺陷。特别地,本文选用排序能力与分类能力作为缺陷预测能力评价的主要标准,并且将工作量的因素引入到评价指标中,使得对于度量的缺陷预测能力评价更贴近于真实的应用场景。在五个开源系统上,我们的实验结果表明：(1)在大多数系统上,代码度量和过程度量的缺陷预测性能较好,历史缺陷度量的缺陷预测性能通常较差；(2)代码度量、过程度量和历史缺陷度量的缺陷预测能力不存在绝对一致的排序关系,而依赖于具体的系统；(3)代码度量、过程度量和历史缺陷度量的组合通常能提升缺陷预测模型的性能；(4)在跨版本预测时,尽管度量组合仍能提升预测性能,但明显不如版本内预测的性能。为保证实验结论的可靠性,本文对缺陷预测模型建模过程中的多种影响因素进行了详细的分析,包括建模方法的影响、特征选择方法的影响和缺陷数据分布不平衡的影响。本文的实验结果可帮助人们在工作量感知的上下文中深入理解各种软件度量信息的缺陷预测能力,是对当前工作的一个有益补充。