随着互联网与人类生产生活之间的关系越来越密切,软件行业正处于飞速发展的时期,与此同时,软件质量的保障工作显得尤为重要。软件缺陷预测技术可以帮助软件测试人员发现软件系统中可能存在的缺陷,在早期发现并修复软件系统的缺陷可以大大节约软件开发的成本以及降低软件系统后期的维护难度。传统的软件缺陷预测一般是针对粗粒度的软件模块,如类文件,对一些复杂的软件系统来说,某一个代码源文件可能规模较大且被多人提交过,对此进行检测耗时耗力。与传统的软件缺陷预测不同的是,即时软件缺陷预测的预测对象是开发者每次提交的代码变更,在提交后可以立即检测,因此其具有细粒度和即时性的特点。本文聚焦于如何构建更好、更合理的即时软件缺陷预测模型,从两个方面展开深入研究。(1)在使用分类算法构建即时软件缺陷预测模型时,分类算法首先预测代码变更的类标号或者代码变更包含缺陷的概率,然后计算代码变更的相对缺陷密度,最后根据相对缺陷密度对代码变更进行排序。在分类模型下如何计算代码变更的相对缺陷密度,研究者们给出了三种不同的定义。为了探究哪种计算代码变更相对缺陷密度的方式更有效,以及不同的计算方式对缺陷预测模型性能有何影响,本文探究了在Out-of-sample Boot Strap采样验证、跨项目验证、对时间感知验证这三种验证方式下,三种计算相对缺陷密度方式对四种评价指标的影响。实验结果表明,第一种和第三种计算相对缺陷密度方式最为有效,第一种计算方式将相对缺陷密度表示为类标号与代码变更规模的比值,第三种计算方式在预测代码变更包含缺陷概率大于等于0.5时,将相对缺陷密度表示为包含缺陷的概率与代码变更规模的比值,在预测代码变更包含缺陷的概率小于0.5时,将相对缺陷密度表示为包含缺陷的概率减1后与代码变更规模的比值。实验结果还表明,第一种计算方式对模型的Recall@20%和Popt有利,第三种计算方式对模型的F1@20%和Precision@20%有利。(2)针对使用分类算法或回归算法构建即时软件缺陷预测模型时,可能会导致比较差的预测排名问题,本文提出一种基于学习排序的即时软件缺陷预测方法。该方法使用多目标优化算法直接优化多个代码变更的工作量感知指标,从而求得预测模型的参数解,倾向于将相对缺陷密度大的代码变更排在前列。在测试资源有限的情形下,可以使相对缺陷密度大的代码变更优先被检测。为了评估该方法性能,本文在代码变更总数为227417的6个公开项目数据集上进行实证研究,分别在Out-of-sample Boot Strap采样验证、跨项目验证、对时间感知验证这三种验证方式下,与常用的15种基准方法在指标Recall@20%、Precision@20%、F1@20%、Popt、检测出缺陷比例与检测变更比例比值上进行对比。实验结果表明,基于学习排序的方法可以达到更好的预测效果。