由于软件的复杂度不断提高,软件中存在的缺陷不断增多,由这些软件缺陷引发的灾难屡见不鲜,因此,为了减少软件灾难的发生,软件缺陷预测技术成为计算机科学技术领域研究热点之一。在构建软件缺陷预测模型过程中,特征选择算法对于构建的软件缺陷预测模型的精准度有很大的影响,而传统特征选择算法如:PCA以及LDA等在对数据特征进行深度学习以及抵抗噪声和缺失值的干扰等方面存在很大的局限性。本文针对这些问题提出了利用两种深度学习算法来构建软件缺陷预测模型,同时,提出了一种软件缺陷预测模型构建的完整框架,并基于该框架研发了软件缺陷预测系统。论文主要工作如下:(1)针对传统PCA以及LDA等特征选择方法无法获得特征之间的非线性特征关系问题提出利用深度信念网和支持向量机构建软件缺陷预测模型(DBN-SVM),通过仿真实验与PCA和LDA构建的支持向量机模型相比,DBN-SVM软件缺陷预测模型具有较高的预测精准度。(2)针对深度信念网无法消除数据中的噪声以及缺失值对软件缺陷预测模型的准确度的影响等问题,提出了利用降噪自动编码器和支持向量机来构建软件缺陷预测模型(DA-SVM),通过仿真实验与DBN-SVM相比,DA-SVM软件缺陷预测模型不仅提高了预测精准度,还增强了模型的鲁棒性。(3)由于软件缺陷预测模型的预测准确性不仅受特征选择方法的影响,数据预处理以及学习算法同样是影响软件缺陷预测模型准确性的重要因素,因此,针对不同学习规则构建的软件缺陷预测模型性能的差异性,提出了含有数据预处理、特征选择以及学习算法等处理方法的软件缺陷预测框架,并基于该框架开发了软件缺陷预测系统。通过软件缺陷预测系统可以针对数据集筛选最佳的学习规则来构建软件缺陷预测模型并进行软件缺陷预测工作。