软件缺陷是软件或者程序中存在的某种破坏程序正常运行能力的问题、错误,其存在会给软件带来安全隐患。随着软件规模变大,其结构越来越复杂,如何在软件动态变更过程中尽早发现和修复软件缺陷,已成为各大软件公司关注的热点。软件缺陷预测（Software Defect Prediction,SDP）旨在通过某种手段检测当前项目中哪些模块可能出现缺陷。传统的软件缺陷代码检测采取全量检测方式,时效性较低,并且在缺陷代码表征方面采取专家所提取的特征信息,既耗费人力资源也不能充分学习到代码中复杂的语义结构信息。随着软件开发周期变短,软件版本变更频繁,如何高效的对软件版本缺陷进行检测显得尤为重要。为解决上述问题,本文提出一种将增量代码分析与缺陷代码检测相结合的方法,该方法在软件版本发生变更后通过关联代码分析计算版本变更后的增量代码,并在此基础上将软件的版本变更信息与增量代码特征进行融合,表示成图,最后与图卷积神经网络模型结合,实现增量代码缺陷检测,提高检测效率。本文具体的研究内容如下:（1）针对传统基于单一关系进行关联代码分析导致误报率较高的问题,提出一种基于变量传播路径的增量代码生成方法。一方面使用基于语法树的图匹配方法确定版本间变化的代码,降低代码中无效字符、注释等无效代码对变化代码生成的影响。另一方面提出基于变量传播路径多关系构图方法来记录变量在函数间的传播路径,并总结出三种关联分析规则帮助确定版本间增量代码。（2）设计并实现一种融合软件版本变更信息的代码图表示方法,将软件代码在版本变更过程中的动态信息与代码的语义结构信息进行融合来丰富代码特征表示。最后与图卷积神经网络结合,实现缺陷代码检测。（3）实现并评估本文提出的基于图神经网络的软件版本增量代码缺陷检测方法,并设计多组实验对该方法进行验证,实验表明该方法与传统方法相比,无论是在公开数据集还是开源数据集,其缺陷检测的F-Measure有较明显提升。由于该系统利用增量代码分析,因此大幅减少了版本间待检测的数据量,进一步提升了缺陷检测效率。