软件在社会生活中扮演着重要的角色,随着软件系统复杂性的提高,软件缺陷的数量日渐增加,它所带来的危害也越发严重,对软件系统安全性的影响也日益增大。软件缺陷预测技术能够帮助测试人员准确定位有缺陷的软件模块,提高发现缺陷的效率。软件缺陷预测是通过缺陷预测技术对软件度量数据进行分析,从而得到缺陷信息。为了更准确的评估软件系统,必然会引入越来越多的度量属性。然而在软件缺陷预测过程中引入过多度量属性会导致数据冗余,冗余的数据会使预测准确率下降。本文针对这一问题,设计构建局部线性嵌入支持向量机(LLE-SVM)模型来进行软件缺陷预测。在课题的研究过程中,通过分析了软件缺陷数据集的特征,采用局部线性嵌入算法(LLE)实现数据降维。将高维欧氏空间中的软件缺陷数据在低维空间中进行重构,并保留软件缺陷数据在高维欧氏空间中的流形结构,由此求出相应的嵌入映射,从而实现了数据维数的约简。使用支持向量机(SVM)作为基础分类器,并用降维后的数据训练SVM,给出了LLE-SVM的软件缺陷预测模型。本文实现了LLE-SVM软件缺陷预测模型系统,并采用了美国航空航天局(NASA)的CM1缺陷数据集作为实验数据集,进行了模型的实验对比评估。实验结果表明LLE-SVM模型预测准确率优于单一SVM模型,因此本文设计的LLE-SVM模型可以有效解决数据冗余引起的预测准确率偏低问题。