目前,许多大型软件项目采用众包测试平台接收测试人员提交的测试报告并对根据报告内容对软件系统进行更新与维护。在该平台上,测试人员在测试报告的提交和评价中的表现差异表明测试人员对于软件测试的贡献不一,并且测试人员提交的测试报告对软件系统更新维护的影响也存在较大的差异性。如果能够合理评估众包测试平台上测试人员的贡献度并识别高影响力测试报告,将能够提升测试人员工作热情并提高测试效率。然而,随着软件项目中测试报告数量的增加,越来越难以准确评价每个测试人员在项目中贡献度。针对上述问题,本文将测试人员在众包测试平台上提交和评论测试报告的行为视为一种社交网络行为并提出一种对测试人员影响力的排序方法,用于评估测试人员在软件测试工作中贡献度的大小。本论文通过利用Bugzilla平台上Eclipse项目的历史数据进行实验后表明,使用该排序方法得到的测试人员排名与项目中的实际工作表现相符合,排序结果稳定且有效,说明该方法能够合理评价测试人员在软件测试工作中的贡献度,可以为测试人员报酬分配提供依据。此外,由于众包测试平台接收大量的测试报告,开发人员无法高效的处理所有的测试报告,因此他们更关注于检测和修复那些反馈高影响力Bug的测试报告。尽管近年来提出了很多识别具有高影响力测试报告的方法,但效果欠佳。基于上述原因,本论文提出一种基于机器学习的集成方法协助开发人员识别具有高影响力的测试报告。该方法根据不同项目的数据分布特点及分类器自身特点,使用权重对每个分类器输出的判别概率进行优化。此后,使用多种优化后的分类算法进行集成以识别不平衡的数据中具有高影响力的测试报告。通过论文中的多组实验证明,本文提出的方法由合理的基分类算法组成、减少了数据不平衡分布的影响且分类效果优于现存的识别方法。