软件缺陷是软件运行出错的主要原因,如何减少软件缺陷和保证软件质量一直是亟待解决的问题。静态软件缺陷预测的目的是找出新版本软件中有缺陷倾向的软件模块,从而能够帮助质量保证测试小组集中关注有缺陷倾向的模块,提高软件测试效率,找出更多软件缺陷。越来越多的学者使用人工神经网络算法(Artificial Neural Network,ANN)来构建软件缺陷预测模型。但人工神经网络算法权值较多,梯度下降等传统方法难以找到全局最优权值;另一方面软件缺陷预测数据中存在噪声属性和类不平衡也降低了预测模型性能。为解决这些问题,本文主要工作如下:第一,将布谷鸟搜索算法(CuckooSearch,CS)应用于软件缺陷预测中,提出了基于CS-ANN的软件缺陷预测方法。该方法使用基于关联规则的特征选择算法处理数据中的噪声属性;使用布谷鸟搜索算法寻找人工神经网络的权值;以最大化F1值(F1-Measure)为标准自适应确定模型的最佳阈值。使用NASA公开的MDP(MetricsDataProgram)数据集进行仿真实验,和常规的四种机器学习算法以及其他学者构建的软件缺陷预测模型作了对比实验。结果表明使用本文方法构建的软件缺陷预测模型降低了缺陷预测的误报率并提高了预测的准确率。第二,为了进一步提升构建的软件缺陷预测模型的分类精度,提出了改进标准布谷鸟搜索算法的方法。并将改进的布谷鸟搜索算法(improve cuckoo search.ICS)应用于软件缺陷预测中,提出了基于ICS-ANN的软件缺陷预测方法。实验结果表明所提出的方法进一步提高了构建的模型的分类精度且优于其他方法构建的软件缺陷预测模型。综上所述,本文提出的方法能够有效的构建出高性能的软件缺陷预测模型,这将为提高软件质量以及降低软件测试成本起到积极的作用。