自动化错误定位技术是软件工程领域的热点和难点问题。在众多自动化错误定位方法中,基于频谱的错误定位（Spectrum Based Fault Localization,SBFL）因其算法简单和精度较高受到广泛关注。而偶然正确测试用例（Coincidental Correct,CC）的存在会降低SBFL技术的错误定位精度,CC测试用例指当一个程序发生错误时,该测试用例执行了包含错误的语句,但程序最终运行结果为通过。研究人员从不同角度提出了许多方法来降低CC测试用例对SBFL技术的影响,取得了一定的研究成果。但是这些研究主要以单错误程序为研究对象,没有发现针对多错误场景下CC测试用例相关研究的发表。单错误场景下,所有CC测试用例都将覆盖唯一错误语句,但多错误场景下CC测试用例和错误语句之间是多对多的关系,因此单错误程序提出的CC测试用例识别和处理方法不能直接用于多错误程序中。为了研究多错误场景下的CC测试用例对多错误定位的影响情况,本文首先从错误和测试用例的映射关系出发,将CC测试用例分成与某错误特定相关、非特定相关和无关等多个类别,然后通过实证研究证明了不同类别的CC测试用例对多错误定位的影响情况,验证本文方法的可行性。再通过使用密度聚类算法对失败测试用例进行划分得到类簇结果,最后使用K最近邻算法结合测试用例动静态特征对CC测试用例进行识别和处理,进而改善多错误定位的效果。为了评估所提方法的有效性,本文选取错误定位领域中广泛使用的SIR和Defects4J数据集中的24个开源程序7528个多错误程序版本展开实验研究,并使用EXAM和TOP-N这两个错误定位领域中广泛使用的度量指标来评估错误定位精度。实验结果表明,本文提出的方法在CC测试用例识别中具有较高的精度,并且在TOP-5评价指标中定位到了9678个错误,相比传统的SBFL技术定位到的错误数量增长了6%,进一步提升了错误定位精度。