随着软件系统在现代社会中越来越普遍,如何避免软件缺陷所带来的影响从而保证软件系统的稳定运行也越来越重要。软件缺陷预测可以利用目标项目数据来预测软件系统中哪些部分可能存在缺陷,工程师在此基础上合理安排保证软件质量的有限资源就可以极大地减少缺陷对软件系统的影响。在目标项目可用数据不足的情况下,跨项目缺陷预测（Cross-Project Defect Prediction,CPDP）已经成为了一种预测软件缺陷行之有效的方法。从本质上讲,跨项目缺陷预测是将迁移学习算法与分类器相结合,借鉴与目标项目类似的项目数据,以此来帮助预测目标项目中存在的缺陷。然而,要建立这样的模型是一件很具有挑战性的事情,因为很难确定迁移学习器和分类器的正确组合及其最优的超参数设置。在本文中,我们提出了一个工具,称为BiLO-CPDP,即利用双层优化的方式来解决跨项目软件缺陷预测模型的参数选择问题,这里的参数包括迁移学习器和分类器的组合,也包含了他们相对应的超参数。据我们所知,它是第一个从双层优化的角度来尝试进行自动化发现跨项目缺陷预测模型的工具。双层优化以分层的方式对两个嵌套的问题进行优化。上层优化的目的是寻找迁移学习器和分类器的正确组合,而嵌套的下层优化的目的是优化相应的超参数设置。为了在每个层次都能找到最优的参数,我们在尝试了多种优化算法之后,在上层使用禁忌搜索来进行组合问题的求解,在下层使用TPE算法来求解代价高昂的超参数选择问题。为了评估BiLO-CPDP,我们在20个项目上进行了实验,将其与21种现有的CPDP模型,以及它的单层优化变体和Auto-Sklearn（一个前沿的自动化机器学习的工具）进行比较。实验结果表明,在70%的项目中,BiLO-CPDP发现的模型比其他21种现有的CPDP模型都具有更好的预测性能,并且在所有情况下都明显优于Auto-Sklearn及其单层优化变体。此外,在BiLO-CPDP中,独特的双层表示方式还允许将更多的预算分配给上层,这样大大提高了性能。总的来说,通过自动化选择模型相关的参数,BiLO-CPDP实现了跨项目软件缺陷预测模型的自动化发现并且在大多数情况下发现的模型都比现有模型预测性能更好,为今后跨项目缺陷预测模型的构建指出了一条不同以往的道路。