软件测试作为软件质量保证的重要手段,在软件产品应用广泛的现代社会处于不可或缺的地位。面对日趋复杂的软件系统,组合测试是一种常用的测试用例生成方法。但是主流的组合测试方法通常通过是贪心或组合数学等思路来实现t-way组合全覆盖,以充分检测出软件系统中的输入配置相互作用引起的故障,这种方法往往实现较为复杂不利于算法的推广。随机测试方法（Radom Testing,RT）因其简单易实现的特点受到工业界的广泛采用,但同样因其随机性过强所导致的测试效果不佳的不足,受到众人的诟病。作为随机测试的增强版本,适应性随机测试（Adaptive Random Testing,ART）在失效检测能力的出色表现,近年来逐渐受到研究人员的追捧。在面对非数值型的大型复杂软件时,主流的适应性随机测试方法却表现的力有不逮。因此设计一种针对非数值型的大型复杂软件,并且同时具备简易与卓越的测试效果的测试用例生成方法,是测试用例生成的研究领域目前的重要问题。对于大多数的ART方法来说,被测试对象的输入域通常是数值型的,所以在距离计算时通常会采用欧式距离计算方法。面对组合测试中的这类非数值程序,一般会替换为海明距离或其他相似性度量方法。在这一类的适应性随机测试方法中,ARTsum以线性的时间复杂度以及较强的失效检测能力等优点,被工业界的研究人员所重点关注。然而与常见的组合测试方法如AETG、IPO方法相比,ARTsum算法在t-way覆盖能力上仍有所欠缺,导致算法需要更多的测试用例对被测试程序进行t-way测试。针对这种情况,本文提出了一种基于精英搜索策略的适应性随机组合测试方法（ARCTsum）。ARCTsum算法设计了一种特殊的数据结构——多维覆盖矩阵,该矩阵可以记录已测用例集的情况,并指导下一次的测试用例生成。而精英搜索策略的加入使得ARCTsum的候选集具有较高的t-way覆盖水平。基于t-way的距离计算方法,可以有效地筛选出最优秀的候选用例。为了验证算法的有效性与时间效率,本文将ARCTsum与主流的ART以及组合测试算法进行对比实验,最后将实验数据进行收集与分析。通过实验结果可知,ARCTsum算法在测试效果的实验中,在大部分的场景下均不弱于AETG算法,而且ARCTsum在时间代价上要显著优于AETG算法。不仅如此,ARCTsum在失效检测能力以及t-way覆盖能力均要显著优于主流的ART算法。并且ARCTsum以线性的时间复杂度的优势,仅次于RT与ARTsum方法。总而言之,ARCTsum算法通过三种有效的优化策略,在保证算法卓越的性能的同时,极大提升了算法的测试效果。该研究方法能够对随机测试以及组合测试的学术研究和工业应用提供一定的参考。