测试数据的自动生成是为了解决人工测试容易出错、耗时且费力的问题。现在常见的测试方法是选取有代表性的测试数据进行测试,这种选取规则就是覆盖准则。路径覆盖是软件测试中最强的覆盖准则,而为了做到路径覆盖,测试人员需要事先知道待覆盖的目标路径。在随机生成测试数据后,需要判断这条测试数据经过的路径是否就是目标路径。判断的方法需要衡量路径之间的相似度,然后通过智能算法去迭代,不断优化测试数据,直到覆盖目标路径。本文围绕测试数据自动生成这一问题展开研究,主要工作如下:（1）针对被测程序目标路径集获取困难的问题,提出了目标路径集生成算法。在该算法中,首先通过循环结构去环法简化程序控制流图,使用McCabe度量法得到基本路径集;然后,利用本文所提出的条件语句相关性的判定方法,通过动态的运行被测程序来获取所有相关性语句,从而检测出不可行路径;最后从基本路径集中去除不可行路径生成目标路径集。（2）分析影响路径相似度的因素,提出了一种新的单路径相似度衡量方法。同时,针对现有的多路径衡量法存在的衡量不准确的问题,提出了一种新的多路径相似度衡量方法。（3）提出了一种面向多路径覆盖的测试数据自动生成算法,在该算法中需要引入智能算法来优化测试数据。本文选取几个规模不同的被测程序并引入多种智能算法来进行对比实验。实验结果表明,与引入遗传算法、粒子群算法相比,引入天牛须搜索算法来优化测试数据,在路径覆盖率、时间效率方面表现更好。