随着软件规模和复杂度的不断提升,软件测试已经成为软件生命周期中最重要的阶段之一。跨项目缺陷预测（Cross-Project Defect Prediction,CPDP）方法允许在一个软件项目的初期阶段利用其他成熟软件的标记数据来进行缺陷预测,使得研究人员可以将通过成熟项目的标记数据训练出来的缺陷预测模型应用于其他新项目的预测任务。目前,大部分CPDP模型利用深度学习方法提取源代码中的语义特征信息用以构建软件缺陷预测器。这些方法主要存在两个问题。其一,这些模型利用不合适的深度学习方法（如卷积神经网络）来提取项目中的语义特征信息。由于这些模型本身的缺陷,可能无法提取源文件中的上下文语义信息。其二,这些模型利用迁移学习方法来减小不同项目之间的语义特征分布的差异,但是他们忽略了处于分类边界附近的数据和决策边界之间的关系,使得特征提取模型可能无法提取具有较好决策判别属性的特征,从而无法将处于新项目分类边界上的样本准确归类,造成模型精度的损失。为了解决上述问题,本文提出了一种基于对抗领域自适应的跨项目缺陷预测方法。该方法由语义特征提取模型和缺陷预测器两部分组成。具体地,该方法利用更适合于处理语言任务的LSTM（Long Short-Term Memory）网络以及注意力机制提取出可用于迁移的上下文语义特征;其次,该方法同时训练两个分类器作为预测器来对源项目样本进行正确分类,并检测离源项目样本支持向量较远的目标项目样本来获取这些样本和分类边界之间的关系。该方法将特征提取模型视为生成器,这两个分类器视为鉴别器。鉴别器判断生成器在目标项目中生成的特征是否具有判别属性并给予生成器反馈。本文以对抗学习的方式来训练鉴别器和生成器。随着训练次数的增加,本文提出的方法不仅能够减小不同项目之间语义特征分布的差异,还充分考虑了目标数据样本和决策边界之间的关系。有了两者关系的信息,缺陷预测器能够达到更高的精度。本文基于CPDP领域中常用的两个基准数据集设计并进行了大量的对比实验,实验结果表明,本文所提出的模型在F1指标、平衡准确率以及几何均值上都比现有最先进的CPDP模型性能表现更佳,证明了该模型的准确性和有效性。该模型采用更加合适的特征提取模型,以及在对齐不同项目的特征分布时没有丢失特征空间的关键信息是性能提升的两个关键因素。