软件缺陷预测通过设计一个鲁棒的机器学习模型,可准确判断待预测软件模块中是否存在缺陷程序,进而为合理分配测试资源以及提高软件可靠性提供指导。软件缺陷预测是一个代价敏感学习问题,即将有缺陷程序错判为无缺陷程序造成的代价大于将无缺陷程序错判为有缺陷程序造成的代价。软件缺陷预测存在的另一个问题是跨项目软件缺陷预测问题,即目标软件项目的样本数目少,希望通过利用与其数据分布不同的其他软件项目的样本,提升学习模型在目标项目上的预测性能。针对上述问题,本文主要做了如下两方面的研究工作:（1）针对代价敏感学习问题,提出了一种基于代价敏感字典学习的软件缺陷预测算法（Cost-Sensitive Dictionary Learning,CS-DL）。通过设计一个统一的代价敏感字典学习框架,联合学习代价敏感的字典和编码系数,可获得更具判别性的字典,以用于待测软件数据的编码。在来自NASA、AEEEM、Re Link和Jureczko数据集中的25个软件项目上,与10种先进的软件缺陷预测算法对比,实验结果表明了所提CS-DL方法的有效性。（2）针对跨项目软件缺陷预测问题,提出了一种基于代价感知的图卷积神经网络（Cost-Aware based Graph Convolution Neural Network,CAGCN）。具体地,首先将源项目和目标项目的代码解析并转换为能够表示语法结构和语义信息的数值型向量;然后,设计了一种对代价敏感的代价感知层;最后,将代价感知层逐层嵌入到图卷积神经网络中,学习代价敏感的图神经网络参数。在Jureczko数据集中具有不同缺陷比例的10个软件项目上,与7种先进的软件缺陷预测方法对比,实验结果表明了所提CAGCN方法的有效性。