软件规模和复杂度的不断增长给软件数据带来了大量缺陷,而含有缺陷的软件在运行时会造成难以想象的后果,严重时甚至会给社会带来巨大的经济损失。因此如何提升软件质量目前成为软件工程领域中最为重要的问题。软件缺陷预测技术能在软件开发初期,及时准确地预测出软件模块是否具有缺陷,帮助测试人员合理有效地分配有限的测试资源,降低软件维护成本,进而提高软件质量。软件缺陷预测方法的预测效果与数据集自身的特点有着密切的相关性,通过研究发现,目前软件缺陷预测过程中常出现缺陷数据分布不平衡、特征信息冗余以及特征维度过大的问题。针对这些问题,结合深度学习对数据特征强大的学习能力,本文提出了基于深度自编码网络的软件缺陷预测方法。本文使用的这种方法包括一种基于无监督学习和随机采样的混合采样方法,解决了数据集中类不平衡问题,同时使用深度自编码网络的数据特征进行降维,有效提升了数据样本的质量,进而提升缺陷预测模型的性能。主要工作内容如下:1)阅读了大量国内外相关文献,总结当前软件缺陷预测过程中常见的挑战,包括软件缺陷数据不规则、缺陷数据分布不平衡以及特征信息冗余等问题。2)提出了一种基于无监督学习和随机采样的采样方法,该方法能有效提升数据集中缺陷数据的比例,解决缺陷数据分布不平衡的问题。3)构建了基于深度自编码网络的软件缺陷预测模型,该模型集成了软件缺陷预测过程中的各个阶段,包括数据预处理、采样、特征降维以及分类器训练,旨在通过这个模型解决本文总结出的缺陷预测中的挑战。4)使用了三个开源项目的数据集以及三种不同的分类器算法进行实验,并且对比了两种常见的特征降维方法PCA(特征提取方法)和HFS(特征选择方法)。实验结果证明基于深度自编码网络的软件缺陷预测模型具有可行性和一定的普遍适用性。5)将本文提出的研究方法与实践结合,设计并实现了一个软件缺陷预测系统,并将基于深度自编码网络的软件缺陷预测模型集成到该系统中。