随着计算机技术的高速发展,软件的规模和复杂度在不断提升,软件缺陷带来的经济损失和测试代价十分之高,利用软件缺陷预测技术可以对有缺陷趋势的模块进行预测,帮助开发人员合理分配测试资源。但是构建有效的缺陷预测模型往往需要获取成本极高的缺陷标记数据,如果可以充分利用未标注的数据或者现有的已标注其他项目数据信息,可以有效减少缺陷预测模型的应用成本。本文从弱监督学习角度出发,对不完全监督的软件缺陷预测技术进行了研究,其主要内容如下:第一,面向半监督学习的工作量感知即时缺陷预测技术。由于即时缺陷预测可以在变更级的粒度上对缺陷进行预测,引起了大量研究人员的研究兴趣。变更的缺陷标记很难获取,因此不依赖于标记信息的缺陷预测模型更有应用价值,但是由于监督信息的匮乏,以前的工作提出的无监督模型在分类场景下性能很差。本文从半监督学习角度对即时缺陷预测进行研究,提出了一个基于样本选择的工作量感知三体训练模型。在六个开源项目上的实验结果表明,工作量感知三体训练法的性能优于现有的即时缺陷预测方法。第二,面向异构特征的跨项目软件缺陷预测技术。跨项目软件缺陷预测技术可以利用现有的已标注缺陷数据集对新的无标记项目进行预测,但需要两者之间具有相同的度量集合,难以用于实际开发。异构缺陷预测技术可以在具有异构度量集合的项目间进行缺陷预测,该技术引起了大量研究人员的关注。现有的异构缺陷预测技术利用朴素的或者传统机器学习方法为源项目和目标项目学习特征表示,所学习到的特征表示能力很弱且缺陷预测性能很差。鉴于深度神经网络强大的特征抽取和表示能力,本文基于变分自编码器技术提出了一种面向异构缺陷预测的特征表示方法。该模型结合了变分自编码器和最大均值差异距离,能有效的学习源项目和目标项目的共性特征表示,基于该特征表示可以训练出有效的缺陷预测模型。通过在多组缺陷数据集与传统跨项目缺陷预测方法及异构缺陷预测方法的比较验证了该方法的有效性。最后,基于变分自编码器的跨项目软件缺陷预测系统。为了鉴别所学的特征表示的好坏,基于提出的跨项目软件缺陷预测方法,本文实现了一个通用跨项目软件缺陷预测系统。该系统可以同时处理同构及异构特征的跨项目软件缺陷预测问题,并且可以展现训练过程中两个项目数据分布的变化情况。通过该系统对隐式特征分布的展示可以进一步验证本文所提方法的有效性。