缺陷是软件中的固有问题,可能会给系统和用户带来很多难以预料的麻烦。对软件进行缺陷预测,发现并改正缺陷,已成为软件生产中必不可少的环节。目前软件缺陷预测技术研究主要集中在设计与潜在缺陷代码相关的特征以及采用程序的树形表示方式与深度学习相结合的方法方面。但是,这些方法不能充分表达源代码中的语法和语义信息。本文提出了一种基于程序切片的软件缺陷预测模型,该模型能够通过基于系统依赖图的程序切片方法,进行控制流和数据流分析,从程序中提取程序切片,保留程序语句间的语义信息。设计了一个结合词向量模型与门控循环单元神经网络的深度学习模型,通过利用词向量模型将程序切片转换为定长的向量表示。用训练集的向量与它们的标签(是否包含缺陷)来训练神经网络模型,最后用训练好的神经网络模型对测试集进行软件缺陷预测。本文利用PROMISE数据集上的10个开源项目进行实验,实验结果显示,对比现有的基于深度学习的方法(AST-DBN方法,tree-LSTM方法,Seml方法),本文提出的方法在项目内的缺陷预测和跨项目的缺陷预测两方面优于上述三个方法。对于项目内的缺陷预测,在平均F1值方面,本文的方法比AST-DBN方法,tree-LSTM方法和Seml方法分别提高了4.2%,7.1%,1.5%。对于跨项目的缺陷预测,在平均F1值方面,本文的方法比AST-DBN方法,tree-LSTM方法和Seml方法分别提高了3.9%,7.2%,4.1%。通过实验验证了本文方法的有效性。