随着信息技术高速发展,社会对软件的需求逐渐增加,软件质量问题越来越受到关注。软件可靠性作为衡量软件质量的重要属性,是直接面向用户的验证指标之一。基于模型的软件可靠性评估是提高软件质量最为广泛的一种方法,其中包含两个关键步骤:一是参数估计,估计模型的参数用于量化可靠性指标;二是模型预测,选择适当的模型获取更为精确的预测结果。目前相关研究已取得一定成果,但仍存在一定的局限性,已然成为限制整个可靠性评估过程的性能瓶颈,因此需要进一步的创新和探索。本文首先针对传统参数估计所存在的求解精度低、收敛速度缓慢、易陷入局部最优以及无法处理多维复杂情况等问题,从自适应的角度出发,提出一种基于优化蚁群的参数估计算法。首先通过极大似然估计法获取模型参数的目标函数以及约束条件,然后根据网格法对参数的解空间进行离散化建模,构建蚁群搜索基本框架,最后结合各级节点的重要度指标强化特殊节点以提高算法的收敛速度,并针对蚁群的进化程度和停滞程度进行自适应调节,保证了蚁群搜索的随机性和多样性,克服了传统参数估计方法的弊端。其次,虽然目前为止公开发表的软件可靠性模型高达上百种,但是尚未出现一个简单且适用于所有软件的通用模型。实际上,针对同一个软件,不同模型会得到不同的可靠性评估结果,存在相当大的差异,而且随着软件的规模逐渐增大,单一模型已不能完全适应复杂多变的情况。因此,本文提出一种基于层次分析法和神经网络的模型预测算法。首先通过模型评价指标和层次分析法从基准模型中获取优选模型,然后利用神经网络对优选模型进行加权处理得到混合模型,从而使得不同类型的模型相互补偿,大大提高了模型预测的准确性和稳健性。最后,结合提出的创新性算法,本文设计并实现了一个基于模型的软件可靠性评估平台,并以某无人机控制站系统的飞行监测控制功能为实例验证了本平台简单易用,方法切实有效,具有良好的实际工程应用价值。