软件行为学习是软件工程中最重要的一项任务之一。随着软件规模的增大,开发软件所涉及的人数增多,通过软件行为学习技术来完成软件质量的维护和软件行为特征的发现逐渐成为当前学术界和工业界共同关注的热点问题。通常情况下,软件行为被表示为软件程序执行信息的集合,而软件行为行为学习的基础思想,即认为相似的软件行为可以反映相似的软件特征(包括软件缺陷,软件漏洞等)。因此我们引入机器学习中的技术用以对软件行为进行自动化分析,从而提取出软件程序中的软件特征,辅助软件测试,错误定位,错误报告分类等工作。实践证明,软件行为学习技术的引入使得软件工程中的许多重要工作的效果获得了较大提升。然而当前软件行为学习技术主要是基于单标签学习模型,即假设相似的软件行为只能反应一个软件特征。而在实际情况下,单标签模型通常会导致软件行为学习信息的缺失。因此,本文提出多标签软件行为学习模型,使得软件行为学习模型能够更好地抽象实际情况中的软件工程问题,从而提高依赖于软件行为模型的软件工程方法能够有更好的效果。通过引入机器学习中的MLKNN算法和Fuzzy C-Means算法,构建出具有更高实用性和更好学习效果的多标签软件行为学习模型。同时,本文将两种基于软件行为模型的工业级应用场景进行了实验分析。在五个工业级目标实验程序上,实验证明,在当前的经典度量方法下,多标签软件行为学习模型的学习效果要好于当前普遍采用的单标签软件行为学习模型。