软件测试是为了发现软件中可能存在的错误而运行软件的过程,软件测试中关键问题是选择充分的、高质量的测试用例来尽可能多的发现软件中可能存在的错误。在软件测试的研究和实践中,通常使用代码覆盖率来衡量测试用例的充分性,常用的代码覆盖率度量准则包括语句覆盖、分支覆盖、条件覆盖和路径覆盖等。一个充分的测试用例集应该检测软件中更多的错误,提高测试用例集的充分性对提高测试用例集的有效性是有帮助的。为了在一个更加公平的环境下评价测试用例集的有效性,研究人员提出了变异测试,通过对原程序进行变异,评估测试用例对变异体的杀死比例,以变异得分作为测试用例集有效性的度量准则。但是近年来,以代码覆盖率为衡量准则的测试充分性和以变异得分为衡量准则的有效性之间关系引起研究者的注意。对于测试覆盖率和测试有效性之间的关系问题,本课题组在之前进行了实证研究,但主要存在如下的问题,第一点只对Defects4J实验集下的commons-lang项目进行分析,第二点只对JUnit 4的测试用例进行分析。针对以上存在的问题,本文对Defects4J测试集下的所有项目进行实验,基于JUnit 3和JUnit 4的测试用例进行了研究。此外以深度神经网络测试背景下提出了基于均衡覆盖的测试用例选择技术。本文的主要工作如下:(1)在Defects4J实验集六个项目上,分别以方法和断言作为测试用例最小单位,对测试覆盖率和测试有效性之间的关系进行实证研究。通过分析实验结果发现,随着测试集规模的增加,测试覆盖率和测试有效性也随之增加,测试覆盖率和测试有效性之间高度相关;但这两种之间的关系受到测试集规模这个混合变量的影响,当使用基于线性回归的混合效应模型将测试集规模的影响去除之后,测试覆盖率和测试有效性之间已无明显的相关性。(2)在深度神经网络的测试中,针对基于神经元覆盖的测试充分性准则存在过早达到覆盖率峰值,导致神经元覆盖来引导测试用例选择时失去引导功能这一问题,我们根据均衡覆盖的思想提出一种基于神经元覆盖的深度神经网络测试用例选择算法。在MNIST数据集上的实验结果表明,该算法提高了深度神经网络的错误检测效率。