针对如何提高测试用例序列的揭错效率和回归测试效益问题，提出一种基于历史数据和多目标优化的测试用例排序方法。首先，根据测试用例的文本主题相似性和代码覆盖相似性对测试用例集进行聚类，并根据历史执行信息对测试用例间的执行失败关系进行关联规则挖掘，从而为后续过程做准备；然后，利用多目标优化算法对每个类簇内的测试用例进行排序，在此之后生成最终排序序列，使相似的测试用例分隔开；最后，利用测试用例间的关联规则，动态调整测试用例执行次序，从而使可能失败的测试用例优先执行，以进一步提高缺陷检测效率。与随机排序方法、基于聚类的排序方法、基于主题模型的排序方法、基于关联规则和多目标优化的排序方法相比，所提方法的平均故障检测率（APFD）平均值分别提高了12.59%、5.98%、3.01%和2.95%，基于成本的平均故障检测率（APFDc）平均值分别提高了17.17%、5.04%、5.08%和8.21%。实验结果表明，所提方法能有效提高回归测试效益。

软件缺陷预测是软件质量保障领域的热点研究课题，缺陷预测模型的质量与训练数据有密切关系。用于缺陷预测的数据集主要存在数据特征的选择和数据类不平衡问题。针对数据特征选择问题，采用软件开发常用的过程特征和新提出的扩展过程特征，然后采用基于聚类分析的特征选择算法进行特征选择；针对数据类不平衡问题，提出改进的Borderline-SMOTE过采样方法，使得训练数据集的正负样本数量相对平衡且合成样本的特征更符合实际样本特征。采用bugzilla、jUnit等项目的开源数据集进行实验，结果表明：所采用的特征选择算法在保证模型F-measure值的同时，可以降低57.94%的模型训练时间；使用改进的Borderline-SMOTE方法处理样本得到的缺陷预测模型在Precision、Recall、F-measure、AUC指标上比原始方法得到的模型平均分别提高了2.36个百分点、1.8个百分点、2.13个百分点、2.36个百分点；引入了扩展过程特征得到的缺陷预测模型比未引入扩展过程特征得到的模型在F-measure值上平均提高了3.79%；与文献中的方法得到的模型相比，所提方法得到的模型在F-measure值上平均提高了15.79%。实验结果证明所提方法能有效提升缺陷预测模型的质量。