软件缺陷预测技术可以用于预测软件缺陷是否存在以及其可能存在的数目,以决定软件是否可以交付,对于软件性能的提升、质量的保证和测试成本的控制有着重要的意义。已有的软件缺陷预测模型大多利用机器学习算法进行训练和构建,传统机器学习的应用则存在缺少原始数据、数据之间不满足独立同分布等固有限制,这些限制条件制约了该项技术的发展。迁移学习可以较好的弥补这一缺陷。因此本课题针对迁移学习与缺陷预测相关算法进行了深入研究和优化。首先本文对迁移学习分类和软件缺陷预测的基础理论及相关技术进行了研究,并针对跨项目的软件缺陷预测问题,重点分析和研究了现有的软件缺陷分布预测技术。对相关技术的核心步骤进行了可优化性关键要素分析,具体包括数据预处理阶段的特征选择和构建预测模型的相关算法。然后在软件预测模型构建过程中,首先对数据预处理技术进行了研究和分析,基于过滤式特征选择方法和SMOTE抽样方法开展研究工作。然后针对TrAdaboost和Rareboost两个算法,分析了其样本权值变更和子分类器构建方式,对软件缺陷问题的不平衡性特征,设计出了一个新的TrRareboost算法,且对其合理性和正确性进行了分析。并结合Adaboost算法思想,对TrAdaboost的权重变更参数进行了优化设计,得到了一种新的迁移学习方法。最后本文通过设计一系列的实验,对多个数据集的测试来验证优化后的TrRareboost算法相比于TrAdaboost这一现有迁移学习算法的优越性,同时完成的实验还包括特征选择和数据抽样对预测结果的影响,以及TrRareboost同NN-filter迁移学习方法的预测结果对比。这些实验的结果也都验证了TrRareboost算法可以有效的提升软件缺陷预测模型的性能。本文为跨项目软件缺陷预测提供了一种新的算法和思路,有效的提高了软件缺陷预测模型的可用性,具有较好的应用价值,为这项技术应用到实际问题中贡献了自己的力量。