随着科学技术的发展,如今的软件系统越来越复杂,功能越来越强大,因此对软件的质量要求越来越高。软件的质量直接影响软件的使用和维护,它受到来自软件开发过程中各种不确定性因素的影响,给软件质量的评估带来了许多困难。若能在软件项目开发的早期及早的获得必要的质量级别,则将对实现最终软件的质量控制、缩短软件开发周期、减少软件开发和维护成本具有非常重要的意义。软件质量预测建模技术是软件质量评价体系中的关键技术,然而目前的软件质量预测建模技术所基于的模型相对比较粗糙,所用的方法多是统计学的算法。因此如何选择合适的方法,使软件质量预测模型能正确有效的建立起软件内部属性和外部属性之间的不确定性的非线性关系是目前软件质量领域备受关注的研究课题。本文针对上述问题,对基于软件质量度量的软件质量预测模型进行了研究。应用神经网络的非线性逼近能力、学习和自适应能力,以软件质量度量参数作为神经网络的输入,提出了两种软件质量预测模型。一种是基于粗糙集的模糊神经网络的软件质量预测模型,它首先利用SOM网络对数据进行离散化处理,然后利用粗糙集的属性约简算法提取样本中精简的规则,最后根据提取的规则构建模糊神经网络模型,简化了神经网络模型的结构,缩短了训练时间,提高模型的预测能力。另一种是基于广义动态模糊神经网络的软件质量预测模型,该模型以模糊ε-完备性作为高斯函数宽度的确定准则,避免了初始化过程中选择的随机性,同时,该算法能对模糊规则和输入变量的重要性做出评价,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整,在学习效率和辨识精度方面都具有突出的优势。最后,通过对两个模型训练的仿真实验验证模型的性能。实验结果表明本文提出的两个软件质量预测模型具有很好的软件质量预测能力,能够较好的反应软件质量度量和软件质量之间的非线性关系,具有较高的预测精度。