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。

为在持续集成（CI）环境下减少回归测试集、提升回归测试的效率，提出一种适用于CI环境的回归测试套件选择方法。首先，根据每个提交的测试套件历史失败率和执行率信息，进行提交排序；然后，采用机器学习方法，对提交涉及的测试套件进行失败率预测，并选择具有较高失败率的测试套件。该方法综合使用提交排序技术和测试套件选择技术，从而保证既提高故障检测率又能在一定程度上降低测试成本。在Google的开源数据集上进行的实验结果表明：与同样采用提交排序的方法和采用测试套件选择的方法相比，所提方法的开销感知平均故障检测率APFDc提高了1%~27%；在相同的测试时间成本下，所提方法的测试召回提高了33.33~38.16个百分点，变更召回提高了15.67~24.52个百分点，测试套件选择率降低了约6个百分点。

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。

针对通信网络告警预测中预测精度不高、模型训练效率较低等缺陷，提出告警权值确定方法和基于自然序树（Can-tree）的加权增量关联规则挖掘的通信网络告警预测方案。首先，对告警数据进行预处理，确定告警数据权值并压缩到Can-tree结构中；其次，应用增量关联规则挖掘算法对Can-tree进行挖掘，生成告警关联规则；最后，使用模式匹配的方法对实时告警信息进行预测，并对结果进行优化整理。实验结果表明，基于Can-tree的加权增量关联规则挖掘算法是高效的，利用前次挖掘的结果和信息提高了挖掘的效率，网络告警数据的权值分配方案能够合理地区分告警数据的重要程度，有助于将重要程度高的告警关联规则挖掘出来，并加快过时告警关联规则的淘汰，提高预测的准确度和精度。

生成测试数据和数据库状态是进行数据库系统测试的重要工作，逆向查询处理(RQP)算法提供了一种生成测试数据的方法。然而RQP算法只针对Select查询语句，为克服这一局限性，在RQP的基础上进行扩展，形成逆向操作处理(RMP)算法，以处理SQL语言中的所有数据操作语句。RMP算法的基本思想是将Delete、Insert、Update等数据操作语句转化为查询操作，即将这些操作语句所需的数据库实例应满足的条件转化为用Select语句来描述，再将转化后得到的Select语句作为RQP算法的输入，从而得到满足条件的数据库实例。RMP算法支持SQL基本语句的逆向运算，为数据库测试数据的自动生成提供了更好的支持。