软件可靠性评估性能直接影响软件测试的工作量,准确预测软件可靠性是一项极具挑战的任务。近年来由于计算机技术的发展与普及,计算机软件的功能和用途也复杂多样,并因其在人类社会中扮演着越来越重要的角色,人们的生产生活已经越来越离不开计算机软件的参与。因此软件质量问题受到越来越多的关注,软件可靠性是衡量软件质量的的一个重要属性,如何发布高质量的软件产品是一件非常困难的事情,因此以软件可靠性为核心的研究一直是当前的热点方向。软件可靠性增长模型(Software Reliability Growth Models,SRGMs)是一种衡量软件可靠性的重要数学工具,对软件可靠性的评测、保证以及测试资源管控和最优发布时间研究具有重要的作用。到目前为止,已开发出上百种应用于实际项目的软件可靠性增长模型。这些开发出的模型都是基于各种各样的假设,所以模型的通用性和预测精度不高。由于人工神经网络ANNs(Artificial Neural Networks)具备很强的非线性运算能力,因此基于ANN的软件可靠性增长模型可以获得更高的预测精度和更强的通用性。由于现代软件集成规模具有很强的耦合性和软件系统具有的强大功能,因此,当被检测到的故障修正去除,很可能引进新的故障。当无法避免被引进的故障的数量对软件测试过程的影响时,研究故障引进的过程对软件可靠性的意向具有重要意义。由于软件系统的延时性,我们知道软件故障被检测出时,不能立即被排除,故障检测与故障排除之间存在时间延迟,当时间延迟的影响不能被忽略时,延迟时间就成为了影响软件可靠性的重要因素。基于神经网络的软件可靠性增长模型其不仅继承了传统SRGM的所有属性,而且还具有超强的非线性运算能力和分布存储及学习能力。本文深入的研究了在软件测试过程中,传统SRGM与神经网络的映射关系,建立了考虑故障引进现象和排错等待延迟现象的软件可靠性增长模型,并在此基础上讨论了已被提出的传统模型和考虑故障引进的现象的动态加权组合模型,已被提出的传统模型和考虑排错等待延迟的广义动态集成神经网络模型的优劣性。本文的主要研究工作主要包括以下几个方面:(1)本文首先对传统的软件可靠性增长模型进行了综述,并通过Goel-Okumoto模型的例子找出了传统SRGM与神经网络模型的映射规则,最后详细说明了各神经网络模型的建模过程,并对其在失效数据集上做了验证。(2)由于在软件测试过程中,当检测到的故障被排除时,可能会引入新的故障。因此,本文建立了一种考虑故障引进现象的动态加权组合神经网络的软件可靠性增长模型,并用相应的故障数据集进行了验证,实验结果表明:考虑故障引进现象的动态加权组合神经网络软件可靠性增长模型具有更好的拟合效果和预测性能。(3)由于在软件测试过程中,故障检测与故障排除之间存在延迟时间,当故障被检测出时不能立即被排除。因此,本文建立了一种考虑排错等待延迟的广义动态集成软件可靠性增长模型,并用相应的故障数据集进行了验证,实验结果表明:考虑排错等待延迟的广义动态集成神经网络软件可靠性模型具有更好的拟合效果和预测性能。