近年来,软件缺陷预测在软件质量保障和软件维护领域变得非常流行。由于项目内软件缺陷预测(Within Project Defect Prediction,WPDP)对数据集的依赖性较强,对于新创立的软件项目来说,很难训练出一个有效适用的预测模型。对于这种情况,一种可行的解决方案是使用其他项目的历史数据来训练预测模型,这就是跨项目软件缺陷预测(Cross Project Defect Prediction,CPDP)。在以前的许多研究中,跨项目软件缺陷预测通常被视为二元分类问题(binary classification)或者回归问题。通常来说,跨项目软件预测仅仅对给定的软件实体(如软件的类、模块等)进行缺陷倾向(defectproneness)预测,当软件项目开发期限紧迫并且人力资源缺乏时,这种方法的局限性就会显现出来。对于软件开发者和软件测试人员来说,软件实体的缺陷严重性排名信息显得尤为重要,软件开发者和软件测试人员可以根据软件实体缺陷排名对软件实体进行有目的地改进和修复,然而这方面的研究很少有文献提及。本文在对常用机器学习和统计方法进行分析和总结的基础上,对跨项目软件缺陷预测相关问题做了较为系统的研究,本文的主要研究工作及贡献如下:(1)我们将跨项目软件缺陷预测定义为排名问题,受到排名学习(Learning to Rank,LTR)的启发,我们提出了一种称为ROCPDP的面向排名的跨项目软件缺陷预测方法。该方法根据软件实体中包含的缺陷数量来对软件实体进行排名,为了能够得到准确的排名结果,本文使用梯度下降优化来求解多元线性回归模型。考虑到软件缺陷数据特征维度较高,会增大模型的训练成本,同时也可能会造成过拟合,本文应用了 PCA进行特征选择。为了能够使梯度下降过程快速收敛,在模型训练前应用了 Z-score对特征(软件度量指标)进行了归一化处理。(2)为了验证面向排名的ROCPDP方法的有效性,本文进行了多组实验。对从AEEEM和PROMISE收集的数据集进行的案例研究表明,ROCPDP在一对一和多对一这两个跨项目软件缺陷预测情景中的效果优于另外八个基准方法。此外,在多对一情景下,ROCPDP总体上与项目内软件缺陷预测情景中的最佳基准方法的预测性能相当。