软件缺陷预测是一种以提高软件质量为目的通过预先识别可疑缺陷模块为软件测试资源分配提供决策支持的技术。但是软件缺陷预测模型的性能取决于所考虑的软件特征的质量。冗余和不相关特征可能会降低模型的性能,这就需要特征选择方法来识别和移除这类特征。本文针对软件缺陷预测中的特征选择进行深入研究,主要研究工作如下:（1）本文将软件缺陷预测特征选择问题转化为多目标优化问题。结合特征工程的实际意义,在综合分析模型运行耗时、特征子集规模、分类机器学习算法表现、模型性能等方面后,优化目标选定为最小化所选特征数量和最大化软件缺陷预测模型性能。（2）本文中多目标优化特征选择方法采用基于分解策略的高维多目标优化MOEA/D算法进行构造,称之为MOO-SDPFS（Feature selection for software defect prediction based on multi-objective optimization）。随后,我们将上述方法,在NASA MDP缺陷数据库（选取CM1、KC3、MC1、MW1、PC2、PC4和PC5八个实际项目数据集）和PROMISE缺陷数据库（选取ant-1.7、camel-1.6、jedit-4.3和xerces-2.0四个实际项目数据集）进行综合研究。实验结果表明,MOO-SDPFS方法在可接受时间开销内,对软件缺陷预测中特征选择问题可以进行有效处理。此外,本文继续探究基于过滤式、包裹式、嵌入式的多目标优化特征选择方法的优劣,最后根据实验结果进行实证分析,讨论多目标优化特征选择在软件缺陷预测上的积极作用。（3）本文设计并实现了一个小型软件缺陷预测多目标优化特征选择可视化系统。该系统将多目标优化的过程进行展示,并对软件缺陷预测中的关键信息进行反馈,便于对本文所提研究方法进行总结和改进。