当前,随着互联网的高速发展,万物互联的理念创造了更多的软件应用场景,而更多的应用场景也带来了更多的软件故障。如何在研发软件或者在测试软件时就能对软件缺陷故障发生的模块进行合理预测以达到提前发现重视解决就显得尤为重要。随着深度学习理论的不断创新,用神经网络来解决软件缺陷预测问题成为该领域内重要的研究课题。本文将分析以下两个问题,并采用深度学习技术来建立软件缺陷预测模型,:问题一:软件缺陷数据集的类不平衡问题。针对这一问题,本文探究了领域内常用的采样算法,重点分析了SMOTE、RCSMOTE、Safe-Level-SMOTE及Borderline-SMOTE等算法,同时引入类之间相离度的概念,提出了基于近邻相离度的过采样算法。并且在生成样本分布上做了实验比较。同时,在多个数据集上进行缺陷预测实验,通过控制变量做对比实验,结论发现新算法能够有效的解决数据的分类不均衡问题,提升缺陷预测模型准确度。问题二:传统PCA和LDA等特征降维方法无法获得特征间的非线性关系。针对这一问题,研究基于深度信念网络的神经网络模型,通过分析传统模型解决特征提取的性能问题,完善受限玻尔兹曼机,提出了基于去噪受限玻尔兹曼机的特征提取方法。最后,本文将以上两种对应的问题解决方案结合提出了包含数据预处理、特征提取以及学习算法于一体基于深度学习的软件缺陷预测模型,模型实验在公开数据集NASA MDP上执行,最终实验结果分析得出在AUC指标上相比于传统模型有7%-10%的提升,在F1值上有超过4%的性能改善。