测试数据自动化生成技术尝试寻找一个相对小的数据集来满足测试充分性标准，以降低软件测试的成本，提高测试效率。由于程序语言的复杂性以及被测程序的多样性，随机生成方法和静态分析方法存在较大的局限性。近年来，动态测试数据生成方法成为研究的热点，这类方法大部分基于元启发式算法模型。　　 本文提出一种基于维持种群多样性的演化算法来求解测试数据集，以满足条件/判定充分性标准。本文算法是一种基于扩展分支覆盖表的测试数据生成算法，覆盖表存储了覆盖每一个条件/判定语句的数据集，数据集通过淘汰算法来维护其多样性特征。算法利用启发信息迭代地选择一个条件/判定语句作为子目标，通过演化算法生成数据以覆盖目标。在此算法框架内，本文提出了一种新的计算评估值的方法，用于计算数据与测试项的距离信息；以及利用归一的曼哈顿距离计算测试数据差异性，通过淘汰原则把差异性较小的测试数据淘汰掉。算法最后阶段，利用贪心算法对测试数据集进行提取，在满足相同的条件/判定覆盖率的基础上，减少数据集中的数据个数。此外，本文借助lex和yacc(Yet AnotherComplier Complier)工具实现了对被测程序的自动化插桩。　　 实验部分，本文使用了19个包含计算机科学基础算法的基准函数进行了测试，并与现有文献中的测试数据生成方法进行对比。实验表明，本文的方法具有更高的条件/判定覆盖率。