在软件工程领域中软件缺陷预测技术能有效地辅助软件测试、保障软件产品质量和增强软件的安全性。本文结合软件度量方法和集成学习算法对缺陷代码进行研究,提出了基于不平衡率阈值移动的异质集成算法和基于递归特征消除的极端随机树特征选择算法来预测软件源代码的缺陷,主要内容如下:首先,分析了软件缺陷预测的研究现状,对软件安全缺陷库中不同类型的缺陷进行了研究,采用结构化的软件度量方法预测软件缺陷,结合集成学习方法研究软件缺陷预测中类不平衡的问题,针对软件缺陷中最危险的内存安全缺陷结合搜索策略进行特征分析。其次,为了解决软件缺陷预测中缺陷代码不平衡的问题,本文提出一种基于不平衡率阈值移动的异质集成算法。通过引入异质集成算法思想,在不影响缺陷数据分布的前提下,将决策树和逻辑回归算法作为基分类器进行模型融合,增加基分类器结构的多样性,并结合缺陷历史数据的不平衡率进行阈值移动,有效地提高了集成算法预测软件缺陷的准确性。再次,为了分析软件内存安全缺陷的特征,本文从函数级别对缺陷代码进行结构化度量,提取基于数据流分析的函数类别,提出一种基于递归特征消除的极端随机树特征选择算法。通过引入启发式规则,来分析内存安全缺陷度量指标与缺陷函数间的关系,并得到与缺陷函数关联性更大的度量指标,提高了随机森林预测缺陷函数的准确性。最后,通过C/C++数据集进行软件缺陷预测的实验,验证了基于不平衡率阈值移动的异质集成算法和基于递归特征消除的极端随机树特征选择算法的有效性。