在软件开发的早期阶段若能对将要形成的软件产品的质量进行预测,一方面可以尽早发现软件设计中的错误,避免它们被延续到开发的后期阶段;另一方面可以针对目标软件某些质量属性的期望指标找到合适的软件设计方案,提供给软件设计人员参考。这对实现最终软件产品的质量控制、减小软件设计的主观性、避免昂贵的重设计等具有十分重要的意义。然而传统的软件质量预测模型具有以下不足:1)没有全面有效地描述众多影响因素对目标软件质量的影响;2)不能同时处理精确及模糊等多种形态的数据;3)模型不能适用于在软件开发的早期阶段已知信息很少的情况。针对以上问题,本文开展了基于模糊神经网络的软件质量预测模型研究。由于神经网络具有非线性逼近能力、学习和自适应能力,但是难于处理不确定信息,并且对知识的解释十分困难。而相反地,模糊逻辑具有较强的推理功能,并且善于运用专家知识和经验来表达不确定信息,但同时,又具有学习能力差、不能自适应的缺点。本文根据模糊逻辑和人工神经网络具有功能互补的特点,提出了一种具有处理不完全信息、混合形式数据及知识解释能力的模糊神经网络软件质量预测模型,并研究了该模型在软件生产线和面向对象的软件质量预测中的应用。本文还研究了模型的训练算法,包括基于批处理模式的BP算法、基于递增模式的BP算法、总和型遗传算法及最大值型遗传算法。最后,通过对模型训练的仿真实验对比了各算法的性能。实验结果证明,本文提出的模糊神经网络预测模型很好地实现了对软件质量的预测,并且可以兼容处理模糊数据和精确数据。同时,在不完全信息,也即部分信息缺失的条件下仍能够进行预测。另外,软件的质量属性与对其有影响的内部因素之间的不确定性因果关系也能够被有效地描述。