随着移动互联网技术的飞速发展软件的功能在不断地丰富,但与日俱增的软件体积和复杂程度也对软件质量带来了严重的威胁。软件缺陷预测作为保证软件质量的一种手段是通过代码本身蕴含的信息来判断是否有可能存在缺陷,不仅能够减少软件开发中潜在的缺陷,还能够帮助测试人员将测试重点放在更有可能存在缺陷的模块上。传统的软件缺陷预测主要依托软件度量信息,通过建立机器学习模型来挖掘软件度量信息与软件缺陷之间的关系。然而程序源码中蕴含了许多能够用于缺陷预测的语法语义信息,但这些信息往往难以通过软件度量进行表示。其次,在一些基于深度学习的软件缺陷预测研究当中忽视了项目之间的分布差异,没有考虑获取的软件特征是否可迁移性。再者,大部分软件缺陷预测研究忽视了软件开发是一个迭代的过程,随着软件版本的更替,如果不对缺陷预测模型进行调整,则很可能导致模型预测性能下降。为了解决这些问题,本文对软件缺陷预测技术进行了深入的研究,具体内容如包含三部分:(1)针对传统软件缺陷预测技术中不能有效利用源码语法语义信息的问题,结合深度学习提出了基于长短期记忆神经网络的缺陷预测方法;(2)针对不同项目之间的数据分布问题,使用迁移学习的方法对模型进行改进,同时提出一种适合跨项目环境下的抽象语法树节点表示方法;(3)对于实际软件工程中软件数据变化的问题,结合在线学习方法进行优化,同时设计并实现了一套缺陷预测系统。