软件缺陷预测能够在项目开发中预测出可能存在缺陷的软件模块并对其进行重点测试。当前,软件缺陷预测根据预测目标主要包括分类预测和回归预测。其中,分类预测能够判断软件模块中是否有缺陷,而回归预测能够判断软件模块中含有缺陷的数量。现有的研究工作主要关注分类预测,而回归预测尚未得到充分的研究。除此之外,共享研究人员的模型可以使其他研究人员重现实验结果,降低实现成本,减少重现方法时的人为错误,并在此基础上进行扩展和优化现有技术。但是,直接共享训练模型会存在泄漏训练数据隐私的风险。因此,亟需提出新方法以处理公开模型时涉及到的隐私数据泄露问题。针对回归预测问题,据我们所知,首次将无监督方法用于软件缺陷数预测中,该方法根据软件模块的度量值对模块进行排序,排在前面就代表有更多的缺陷数目,考虑了升序和降序两种排序策略。在实证研究中,使用基于实际开源项目搜集的数据集,将无监督方法用于软件缺陷数预测。首先设计实验从无监督方法中选取一个性能最好(基于FPA和Kendall指标)的方法LOC＿D,然后将LOC＿D和使用SMOTEND算法解决类不平衡问题的有监督方法比较,发现LOC＿D性能要优于这些有监督方法。进一步改进SMOTEND算法,即提取出该算法的三个参数并使用差分进化算法做参数优化,实验结果表明差分进化算法可以进一步提升有监督方法性能,然后再将该方法和LOC＿D比较,结果表明在大多数情况下LOC＿D性能要更好。针对缺陷预测模型共享问题,据我们所知,首次从差分隐私角度入手进行研究。差分隐私是一种数据隐私保护技术,它可以改进传统机器学习算法,改进后算法构建的模型可以保护训练数据隐私。将差分隐私技术用于软件缺陷预测模型的共享,提出DP-Share算法。DP-Share算法以随机森林算法为基础,它首先对少数类使用过采样方法,然后对连续型特征进行离散化处理来优化随后的隐私预算分配,接着使用DP-Share-Sampling采样方法为子树构造训练集,最后集成这些子树形成随机森林。对于DP-Share算法同样使用搜集自开源项目的数据集,使用AUC作为评测指标,实验结果表明在使用相同隐私预算时,DP-Share方法在大部分情况下比基准方法DF-Enhance可以取的更好的性能。基于上述研究,对软件缺陷预测的后续研究给出两条建议。(1)在软件缺陷数预测时,发现无监督方法构造简单且性能较好,建议后续研究工作需要将无监督方法作为软件缺陷数预测的基线方法,(2)建议研究人员在共享软件缺陷预测模型时考虑使用差分隐私技术以保护训练数据的隐私。除此之外,设计了相关原型工具对上述方法进行了实现。