软件测试是根据需求文档等,对被测试的软件通过人工或测试工具的方式,来检测软件是否满足预期的过程,在软件开发周期中起着重要作用,是确保软件质量的不可缺少的一个过程。软件测试的目的是发现软件中尚未发现的缺陷。越早发现的缺陷,缺陷造成的影响和损失就越小,其修复成本也越低。但是,在尽可能多地发现软件缺陷的同时需要降低投入成本和保证研发进度,手工测试的方法已经不能满足这种需求。软件缺陷预测技术可以利用历史数据预先辨别出可能存在缺陷的软件模块,针对缺陷高风险模块投入更多的测试资源,从而保障软件的质量和测试效率。目前的软件功能和规模的剧增,导致数据集有高维等特点,容易造成维度爆炸问题。而软件特征中存在无用的特征,在构建缺陷预测模型时不起作用甚至起到反作用,影响模型的分类性能。特征选择是指从已有的原始特征中选择少数最有效的特征,降低数据集的维度的过程。在缺陷预测模型中使用特征选择可以很好地剔除缺陷数据集中的无关和冗余特征,从而提高预测模型的分类能力。本文在特征选择方法的基础上,针对数据集中存在的无关特征和冗余特征,在集成的特征排序选择和聚类特征选择方面开展了一系列研究。本文研究工作的主要内容包括以下两个方面:（1）针对软件缺陷数据集中存在无关特征的问题,提出了一种基于集成的特征排序选择方法。首先是预处理阶段,以此提高数据质量,为下一阶段构建分类模型做准备。然后,根据基于3种特征排序算法（GR、CS和GI）的集成排序算法对特征相关性进行降序排序,然后根据百分比从已排序的特征集中选择特征子集,构建缺陷预测模型。通过实验验证使用少数特征比使用全部特征有更好的预测效果,而且基于集成的排序算法比单一的特征排序算法有较好的稳定性。（2）针对不能很有效解决缺陷数据集中存在的冗余特征的问题,提出了一种基于聚类的特征选择方法。根据K-Medoids聚类算法对特征进行聚类,将具有冗余关系的特征聚集到同一簇中。然后挑选出每个簇的质心和簇中与质心关联度最低的特征,最后选择簇中剩余特征中相关性高的前几个特征,构建预测模型。通过实验验证,同时考虑冗余性和相关性的特征选择算法比只考虑相关性的特征选择算法更有优势。同时对比了分类算法在不同规模数据集上的预测性能。以NASA的MDP数据集为实验数据,针对本文提出的两种方法进行了多次实验验证。实验结果表明,本文提出的方法对提高缺陷预测性能有较好效果。