软件可靠性预测是一个研究难度非常大的课题，预测结果的准确程度直接影响到工程人员对软件质量的判断，进而影响到软件的开发，测试和应用等诸多方面。在目前的各种预测方法中，相对于其他经典模型而言，使用前馈神经网络进行预测得到的效果比较好。为了进一步提高神经网络的预测能力，提出了一种前馈神经网络混合学习算法，并将其应用于组合神经网络。该算法是由一种模式提取算法(Alopex)和伪逆算法组成，适用于多层前馈神经网络。在该混合学习算法中，网络的学习任务被分解为两个部分：隐藏层神经元的权值先随机给定，然后使用Alopex算法不断地对其进行扰动；输出层的权值使用伪逆运算确定。所使用的组合神经网络由多个结构相同的前馈神经网络组成，每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练。实验结果表明：这种组合神经网络能够显著提高软件可靠性的预测精度。另外，对凹型软件可靠性增长模型数据曲线的斜率和曲率进行了研究，提出了一种新的数据变换预处理方法，该预处理方法通过改变原始数据曲线的斜率和曲率，使得预测对象更加光滑，从而间接提高神经网络在该类模型上的预测效果。