基于分类的软件缺陷预测方法使用历史软件数据构建预测模型,并使用该模型预测新的软件模块是否存在缺陷。根据预测结果,软件测试人员会对所有被预测为有缺陷的软件模块都分配相等的测试资源,导致了有限的测试资源的浪费。面向排序的缺陷预测方法利用学习排序算法建立预测模型,然后根据预测的缺陷个数对软件模块进行排序,通过指导软件测试人员优先测试包含更多缺陷的软件模块,因此相比于基于分类的软件缺陷预测方法可以更有效地分配有限的测试资源。本文聚焦面向排序的缺陷预测研究领域中存在的四个问题,展开了深入的研究,以寻求找到最佳的面向排序的缺陷预测建模方法:（1）最近的面向排序的缺陷预测研究关于哪一个学习排序算法是最好的建模方法尚没有统一的结论,我们发现排名不稳定问题存在,主要原因是因为实验方法存在缺陷,如只比较了少量学习排序算法,使用了较少的数据集,以及使用不适当或者很少的评价指标。为了寻求学习排序算法稳定的排名,本文探究了22个学习排序算法在41个缺陷数据集上的性能,并使用6个性能指标和双重Scott-Knott ESD检验方法评估这些算法的性能。实验结果表明:（1）一些集成学习方法如随机森林、梯度提升回归和Rank Boost表现较好。（2）在检测缺陷个数比例@20%模块和缺陷百分位平均值这两个指标上,岭回归算法和LTR-linear（Learning-To-Rank with the linear model）算法在这22个学习排序算法中表现最佳,但LTR-linear算法需要检测很多的代码行数。因此,针对于第一个实验结果,本文在第四章和第五章继续探究了其它两种数据不平衡学习方法（即数据重采样和代价敏感学习方法）能否提升面向排序的缺陷预测模型的性能;针对于第二个实验结果,本文在第六章提出了一个基于多目标搜索的面向排序的缺陷预测算法。（2）当在软件缺陷个数不平衡数据集上训练面向排序的缺陷预测模型时,学习排序算法通常无法准确地对有缺陷的软件模块进行排序。为了缓解缺陷个数不平衡问题,本文提出了两个基于数据重采样和集成学习的面向排序的缺陷预测算法。这两个算法将Smote R（Synthetic Minority Oversampling Technique for Regression）和Rus R（Random Under-Sampling for Regression）引入到梯度提升回归算法中,在梯度提升回归算法每一次的迭代中,首先利用Smote R和Rus R算法平衡训练数据的缺陷个数分布,然后利用梯度提升回归算法在每一次的迭代中更新建立在平衡数据集上的模型。在26个缺陷数据集上的实验结果表明,这两个算法能够缓解缺陷个数不平衡问题,并在检测缺陷个数比例@20%模块和缺陷百分位平均值这两个指标上相比于对比算法实现了更好的性能。（3）由于无法发现更多的软件缺陷会严重降低软件质量,因此对具有更多缺陷的软件模块错误的排序会比对具有较少缺陷的软件模块错误的排序产生更高的代价。为了解决这个代价问题,本文提出了一个基于代价敏感排序支持向量机的面向排序的缺陷预测算法。该算法改进了原始排序支持向量机算法中的损失函数。当具有更多缺陷个数的软件模块被不正确排序时,该算法增加了惩罚,使得具有更多缺陷个数的软件模块被正确排序。针对训练数据集不平衡的问题,该算法对占少数比例的软件模块对赋予更高的权重。最后,该算法使用遗传算法优化了改进后的损失函数。在41个缺陷数据集上的实验结果表明,该算法能够解决具有更多缺陷的软件模块错误排序的代价问题,并在检测缺陷个数比例@20%模块和缺陷百分位平均值这两个指标上相比于对比算法实现了更好的性能。（4）已有的面向排序的缺陷预测算法都忽略了排序靠前的软件模块的大小,而包含更多代码行数的软件模块会产生更多的测试工作量。为了解决这个问题,本文提出了一个基于多目标搜索的面向排序的缺陷预测算法。该算法首先使用线性模型构建面向排序的缺陷预测模型,然后采用NSGA-II算法（Non-dominated Sorting Genetic Algorithm-II）通过最大化检测缺陷个数比例@20%模块这个排序指标,最小化检测代码行数比例@20%模块这个排序指标,产生一组Pareto非支配解。最后选择在训练数据集上有最高检测缺陷个数比例@20%模块值的解来构建面向排序的缺陷预测模型。在41个缺陷数据集上的实验结果表明,该算法相比于对比算法在检测前百分之二十的软件模块时能够发现更多的缺陷,并检测更少的代码行数。综上所述,本论文针对面向排序的缺陷预测研究领域的难点问题,提出了四个新的算法提升了面向排序的缺陷预测模型的性能,对提升软件质量具有重要意义。