故障定位是软件调试的主要任务之一。开发人员花费大量的时间和精力来人工正确定位故障。自动故障定位技术可以辅助开发者。在故障定位领域,已经提出了许多技术,输入测试套件,然后输出程序的故障实体的排序列表。可能程序不变量是发现和分析软件缺陷的主要方式之一,通过分析不变量特性,可以捕获和分析哪些程序代码违背了开发人员的目标。为了改进这方面的工作,本论文研究了基于不变量分析的故障定位方法,并开发了一个称为SILearning的系统,通过学习已知的缺陷信息,来定位程序中的可疑方法。该方法结合了机器学习技术“learning to rank”,程序不变量差异、以及基于程序谱的故障定位方法。将通过执行测试用例和代码覆盖率分析计算获得各方法的不变量差异和基于程序谱定位计算的可疑度值作为特征,来计算各方法导致失效的可疑度并对其进行排序。为了完成这项工作,我们将SILearning划分为五个部分:方法聚类和测试用例子集选择,可能和动态不变量检测,不变量子集选择,特征提取和模型学习以及方法排序。完成所有这些步骤后,SILearning会输出一系列按可疑度排序的方法。实验分析了从数据库“Defects4J”中提取的真实故障数据集,并将SILearning的性能与已有研究进行比较。结果表明SILearning在使用组合功能时表现更好,并且能够成功地将故障方法平均地定位在顶部1,2,3,4和5处的“76.1”,“90.4”,“108.2”,“123”,“和”“143.5”。SILearning优于ER1~a,ER1~b,ER5~a,ER5~b,ER5~c,GP2,GP3,GP13,GP19 and Savant。