随着软件行业的繁荣发展,软件系统的规模和复杂度急剧增长,对软件进行优化和维护越来越困难。软件缺陷预测通过分析软件特征,利用机器学习技术构建预测模型,在软件测试前定位系统中可能存在缺陷的模块,为合理分配测试资源,提高软件稳定性提供有力帮助。本文通过将软件系统映射为软件复杂网络,利用其网络特征构建预测模型,对软件系统中可能存在缺陷的模块进行预测,并结合软件的动态执行序列,对软件系统进行更全面的分析。主要工作内容如下:首先,通过跟踪函数执行序列,获取函数间调用关系,将软件系统映射为有向函数调用网络,并对网络的结构特征进行分析。计算各节点度量信息,分析其分布特征。比对同一模块不同版本间的差异,收集模块缺陷信息。之后,对每个网络度量与软件缺陷的相关性进行详细分析,并且以模块的网络度量和缺陷标记作为训练数据构造预测模型,对目标软件进行缺陷预测。将规模度量模型和复杂度度量模型作为对照,探究利用复杂网络特征进行软件缺陷预测的有效性。再次,针对现有软件分析方法角度单一的缺点,提出挖掘高风险程序片段的HRFM算法。该算法结合静态分析和动态执行序列分析,对软件系统进行更全面的研究。设计了index-map结构描述执行序列,以及基于index-map的执行区间发现算法,提出基于向下闭合属性的预剪枝策略,减少候选集的大小,加速挖掘过程。最后,以开源软件为研究对象,对本文提出的缺陷预测方法进行了实验分析。