早期的软件缺陷预测通常使用的是数据挖掘的技术,后来人们从度量元、挖掘算法等方面对软件缺陷预测模型在不同方面进行了改进,如提出新的度量元特征、优化数据挖掘算法等来提高预测模型的性能。设计了基于自动特征工程的软件缺陷预测系统,从特征工程层面对软件缺陷预测模型进行改进,通过实现特征工程的自动化而完成软件缺陷的自动预测。特征构造和参数学习是特征工程的两个重要阶段,在特征构造阶段提出一种基于AdaBoost的组合法来实现特征线性组合构造、提出了一种基于提升树的组合法来实现特征非线性组合构造。通过线性组合和非线性组合方法不仅实现了特征构造自动化,而且构造的新特征能更好的提升模型训练效果。特征构造生成了一系列原始特征的线性组合和非线性组合。特征构造形成基本方案后,传统参数调整方法通常是由人工完成的,费时费力且缺乏理论依据,对此设计了一种通过贝叶斯优化学习实现参数自动调整的方法,进一步提高调参效率和模型训练效果。给出了基于自动特征工程的软件缺陷预测系统的详细设计。在使用软件缺陷预测领域的权威数据集MDP训练基于自动特征工程的软件缺陷预测模型后,通过与未使用自动特征工程的缺陷预测模型在预测准确率、查准率、查全率几个模型评估指标上进行对比。结果表明前者在性能上要优于后者。