本发明提供了一种基于三支决策的半监督工作量感知变更级软件缺陷预测方法，包括以下步骤：步骤1，选择m个任意分类器h_1,h_2…,h_m，对于每个分类器h_i，利用有标记的变更软件缺陷预测数据集L分别进行训练；步骤2，在第t轮训练过程中，确定各个分类器在一定的审查工作量下对训练样本的分类误差e_1^t,e_2^t,…,e_m^t；步骤3，根据分类器h_i的分类误差e_i^t和对各个样本包含缺陷的预测概率p，利用三支决策方法将包含缺陷情况未知的变更数据集U分别划分至正域负域以及边界域；步骤4，对正域和负域中的样本进行随机采样，选择s个样本并为其赋予伪标记作为本轮中下一个分类器h_(i+1)的新的有标记样本集合L_(i+1)；步骤5， 在每个分类器对应的新有标记样本集合L∪L_i上，对每个分类器h_i重新进行训练；步骤6，重复步骤2/步骤5直至所有分类器的参数都不再变化。步骤7，对于新的变更样本，使用所有训练好的分类器进行预测，最终标记通过多数投票法进行确定。

本发明提供了一种基于三支决策的半监督工作量感知变更级软件缺陷预测方法，包括以下步骤：步骤1，选择m个任意分类器h_1,h_2…,h_m，对于每个分类器h_i，利用有标记的变更软件缺陷预测数据集L分别进行训练；步骤2，在第t轮训练过程中，确定各个分类器在一定的审查工作量下对训练样本的分类误差e_1^t,e_2^t,…,e_m^t；步骤3，根据分类器h_i的分类误差e_i^t和对各个样本包含缺陷的预测概率p，利用三支决策方法将包含缺陷情况未知的变更数据集U分别划分至正域负域以及边界域；步骤4，对正域和负域中的样本进行随机采样，选择s个样本并为其赋予伪标记作为本轮中下一个分类器h_(i+1)的新的有标记样本集合L_(i+1)；步骤5， 在每个分类器对应的新有标记样本集合L∪L_i上，对每个分类器h_i重新进行训练；步骤6，重复步骤2/步骤5直至所有分类器的参数都不再变化。步骤7，对于新的变更样本，使用所有训练好的分类器进行预测，最终标记通过多数投票法进行确定。