深度神经网络（DNN）在许多深度学习关键系统如人脸识别、智能驾驶中被证明容易受到对抗样本攻击，而对多种类对抗样本的检测还存在着检测不充分以及检测效率低的问题，为此，提出一种面向深度学习模型的对抗样本差异性检测方法。首先，构建工业化生产中常用的残差神经网络模型作为对抗样本生成与检测系统的模型；然后，利用多种对抗攻击攻击深度学习模型以产生对抗样本组；最终，构建样本差异性检测系统，包含置信度检测、感知度检测及抗干扰度检测三个子检测系统共7项检测方法。在MNIST与Cifar-10数据集上的实验结果表明，属于不同对抗攻击的对抗样本在置信度、感知度、抗干扰度等各项性能检测上存在明显差异，如感知度各项指标优异的对抗样本在置信度以及抗干扰度的检测中，相较于其他类的对抗样本表现出明显不足；同时，证明了在两个数据集上呈现出差异的一致性。通过运用该检测方法，能有效提升模型对对抗样本检测的全面性与多样性。

针对Web应用测试用例生成过程中导航图规模过大以及存在冗余测试路径的问题，提出了一种基于Selenium页面对象设计模式和图遍历算法的Web应用测试用例生成方法。首先，通过将原始页面对象进行分类，以导航页面对象类为节点、导航方法为迁移边构建页面对象导航图；其次，结合图的最短路径算法提出了一种页面对象图算法（POGA）来遍历导航图以生成测试路径集；最后，提取测试路径，利用Faker生成模拟数据，进一步生成可以直接执行的测试用例。实验结果表明：与爬取Web应用生成导航图的规模相比，该方法约简率约为89%；与基于状态迁移生成Web应用测试用例的方法相比，该方法减小了冗余和不可行路径的数量，并进一步提高了页面对象的复用率和测试用例的可维护性。

针对测试用例自动化生成技术中效率较低的问题，尝试引入新的细菌觅食算法，并结合测试用例生成问题提出了一种基于细菌觅食算法的改进算法（IM-BFOA）。IM-BFOA首先采用Kent映射来增加细菌的初始种群和全局搜索的多样性，其次针对算法中趋化阶段的步长进行自适应设计，使其在细菌趋化过程中更加合理化，并通过实验仿真验证其合理性，最后根据被测程序构造适应度函数来加速测试数据的优化。实验结果表明，与遗传算法（GA）、粒子群优化（PSO）算法和标准细菌觅食优化算法（BFOA）相比，该算法在保证覆盖率的前提下，在迭代次数和运行时间方面都是较优的，可有效提高生成测试用例的效率。

针对为数较多的测试用例增加了回归测试成本的问题，提出一种基于弱变异准则的测试用例约简方法。首先，基于弱变异准则获得测试用例和变异分支关系矩阵；然后，重复约简4种无效测试需求和子集测试用例；最后，结合人工鱼群算法选择当前最优测试用例，并且交替执行简化和测试用例选择操作直至覆盖所有测试需求。该方法针对6个经典程序与贪心算法和HGS算法相比，基于弱变异准则并且不改变或稍微改变变异评分的条件下，约简率分别提高了73.4%和8.2%，且耗时分别降低了25.3%和56.1%。实验结果表明，所提方法在回归测试中可有效约简测试用例，降低测试代价。

针对使用现有软件胎记进行程序抄袭检测结果不准确的问题，提出一种新的静态软件胎记提取算法。该算法产生的程序胎记由软件的两个方面特征综合生成。算法对源程序和可疑程序进行预处理得到程序元信息，然后通过元信息获取程序的应用程序接口（API）调用集合和指令序列作为两个特征，综合这两项特征生成软件胎记；接着，计算源程序与可疑程序的软件胎记之间的相似度，通过相似度判定两程序之间是否存在抄袭行为。实验验证了该算法得到的软件胎记具有可信性和弹性，与传统的 k-gram软件胎记相比更具有弹性。

针对回归测试过程中由于测试需求的变更导致测试用例规模不断扩大、测试成本不断增加的问题，提出一种基于变异分析的测试用例约简方法（RTM）。首先，以测试用例能否检测到指定变异体为依据，对测试用例进行划分并创建二进制数值形式的变异体事务集矩阵；然后，应用改进的关联挖掘算法获取测试用例间的关联关系；最后，根据这些关联关系有效约简测试用例。6个经典程序仿真实验结果表明，RTM能够使约简后的测试用例约简率达到37%，与传统贪心算法和启发式算法相比，测试用例约简率提高了6%，且在提高测试用例约简率的同时，保证了测试覆盖率，单个测试用例的测试覆盖率平均提高了11%。所提方法能够利用尽可能少的测试用例满足更多的测试需求，有效提高了测试效率，降低了测试成本。

针对静态测试中空指针引用缺陷假阳性问题，提出一种空指针引用缺陷分类假阳性识别方法。挖掘空指针引用缺陷知识，对空指针引用缺陷知识进行预处理，生成空指针引用缺陷数据集；通过基于粗糙集理论属性重要性的ID3算法分类空指针引用缺陷数据集，分类结果有假阳性空指针引用缺陷实例和真实空指针引用缺陷实例两种；根据分类结果对静态测试中的空指针引用缺陷进行假阳性识别，确认真实的空指针引用缺陷。该方法对十个基准程序和基于主流静态测试工具FindBugs的空指针引用缺陷检测方法相比，空指针引用缺陷假阳性降低率平均为25%，减少了24%的空指针引用缺陷确认。实验结果表明，该方法在静态测试方面能有效降低缺陷确认开销，提高空指针引用缺陷检测效率和稳定性。

针对在回归测试中原有测试数据集往往难以满足新版本软件测试需求的问题，提出一种基于自适应粒子群算法（APSO）的测试数据扩增方法。首先，根据原有测试数据在新版本程序上的穿越路径与目标路径的相似度，在原有的测试数据集中选择合适的测试数据，作为初始种群的进化个体；然后，利用初始测试数据的穿越路径与目标路径的不同子路径，确定造成两者路径偏离的输入分量；最后，根据路径相似度构建适应度函数，利用APSO操作输入分量，生成新的测试数据。该方法针对四个基准程序与基于遗传算法（GA）和随机法的测试数据扩增方法相比，测试数据扩增效率分别平均提高了约56%和81%。实验结果表明，所提方法在回归测试方面有效地提高了测试数据扩增的效率，增强了其稳定性。

针对传统Web测试用例生成方法因缺少权限性和时序性考虑而产生的误判断问题,提出结合基于统一建模语言(UML)活动图与状态图,根据不同用户权限及交互活动流程分析Web页面链接而生成测试用例的方法。该方法生成含信息元素的扩展状态图,通过对扩展状态图的转换及相应路径的时序重排得到最终具有权限与时序性质的Web链接测试用例。通过实验分析,与缺少权限性和时序性考虑的Web测试用例生成方法相比,该方法有效地避免了测试中的误判断,在测试覆盖率、正确率及测试效率三方面均有明显的优势。实验结果表明,该方法有效地提高了Web测试的测试效率,增强了测试的可靠性与可行性。

针对Web应用测试方法错误覆盖率低的问题,提出了一种基于状态迁移的Web应用功能测试用例生成方法。该方法通过构造页面状态迁移图、事件迁移表和导航迁移表对Web应用的链接关系进行表示。基于页面状态迁移图生成的页面状态迁移树生成测试路径,根据等价类划分原则,提出了一种测试用例覆盖准则,结合事件迁移表和导航迁移表中的信息记录构造测试用例。典型案例实验结果表明,该方法有效地表示了Web应用中页面间的链接关系,提高了测试用例的错误检测率。

在解决组合测试中的测试数据集生成问题时，粒子群优化算法(PSO)在待测数据量增加达到一定程度以后，出现迭代次数增加、收敛速度减慢的缺点。针对该问题，提出了一种应用于组合测试数据集生成问题的基于K-均值聚类的粒子群优化算法。通过对测试数据集合进行聚类分区域，增强测试数据集的多态性，从而对粒子群优化算法进行改进，增加各个区域内粒子之间的影响力。典型案例实验表明该方法在保证覆盖度的情况下具有一定的优势和特点。

提出了一个基于关联规则挖掘算法的医学图像分析器。介绍了数量型属性离散化的CA算法、关联规则挖掘算法及其在医学图像数据挖掘中的应用方法,并利用介绍的算法对乳腺癌图像数据进行挖掘。实验结果表明,该模型系统达到了较高的分类准确率。