特征选择是软件缺陷预测中数据预处理的关键步骤。针对现有特征选择方法存在的降维效果不显著、选取的最优特征子集分类精度低等问题，提出了一种基于自适应混合粒子群优化（SHPSO）的软件缺陷预测特征选择方法。首先，结合种群划分设计了基于Q学习的自适应权重更新策略，其中引入Q学习根据粒子的状态自适应地调整惯性权重；其次，为了平衡算法前期的全局搜索能力和后期的收敛速度，提出了基于曲线自适应的时变学习因子；最后，采用混合位置更新策略帮助粒子尽快跳出局部最优解，并增加粒子的多样性。在12个公开软件缺陷数据集上进行实验验证的结果表明，与使用全部特征的方法、常用的传统特征选择方法及主流的基于智能优化算法的特征选择方法相比，所提方法在提高软件缺陷预测模型分类性能和降低特征空间维度上均取得了有效的结果。与改进樽海鞘群算法（ISSA）相比，所提方法的分类精度平均提高了约1.60%，特征子集规模平均降低了约63.79%。实验结果表明，所提方法可以选出分类精度较高且数量较少的特征子集。
