软件在演化过程中难免会产生缺陷,而缺陷不仅会影响软件的整个开发周期,也会增加软件维护工作的难度。一些缺陷甚至还会引发严重的事故并造成极大的经济损失。软件缺陷预测技术能够通过提前预测软件缺陷可能出现的位置,帮助开发团队尽早地修复软件缺陷,并提高软件的质量,从而提高软件的开发、维护效率,降低软件的开发、维护成本。因此,软件缺陷预测一直是软件工程领域的热门研究方向。过去的几十年中,科研人员提出了各种方法来预测不同粒度的软件缺陷,其中包括从粗粒度的包级、模块级、文件级,到细粒度的提交级、方法级等缺陷预测方法。且大量研究表明,软件缺陷预测技术对于许多常见的软件都有较好的预测表现。相比于以包、模块、文件为预测单元的缺陷预测,方法级缺陷预测使用了更细粒度的方法作为预测单元,以此将预测深入到文件内部,使开发团队能更精准地定位缺陷,从而极大地减少代码审查时间,提高软件缺陷修复的效率。在缺陷预测领域中,相比于其他粒度的缺陷预测,方法级缺陷预测的研究相对较少,因此本文在方法级利用代码指标和历史数据作为特征构建了缺陷预测模型,并且提供了系统性构建预测模型的步骤,以及自动化计算特征的工具。本文还探究了简化模型的可能,以解决特征过多导致的预测模型构建复杂的问题。本文通过对18个Apache开源项目数据进行了一系列的实验和分析,证明了本文提出的方法能准确预测出更有可能产生缺陷的方法,从而提高软件缺陷修复的效率。并且本文还证明了简化模型可以在保证缺陷预测模型准确率的同时,降低模型的构建难度,从而帮助开发团队以更小的代价构建预测模型、更快速地定位有缺陷的方法。