چکیده: در این پژوهش، با استفاده از معیارهای نرم‌افزاری مختلف، شامل معیارهای مورد استفاده در ارزیابی کیفیت نرم‌افزار مانند LOC، NOC، WMC، الگوریتم‌های یادگیری ماشین درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest) و شبکه عصبی پرسپترون چندگانه (MLP)، به پیش‌بینی خطای نرم‌افزاری در کلاس‌های جاوا پرداخته شده است. در این پژوهش، یک مدل جدید برای پیش‌بینی خطای نرم‌افزاری در کلاس‌های جاوا با استفاده از ترکیب این الگوریتم‌ها ارائه شده است. در مدل پیشنهادی، ویژگی‌های مختلفی از کد منبع جاوا به عنوان ورودی به مدل داده شده‌اند و خروجی مدل، پیش‌بینی خطای نرم‌افزاری در کلاس‌های جاوا است. برای ارزیابی دقت مدل پیشنهادی، از معیارهای مختلفی مانند دقت، صحت، بازخوانی و معیار F1-score استفاده شده است. با توجه به نتایج به دست آمده در این پژوهش، استفاده از الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی در پیش‌بینی خطا در کلاس‌های جاوا، می‌‌تواند بهبود قابل توجهی در کیفیت نرم‌افزارهای جاوا داشته باشد. به علاوه، مدل پیشنهادی در این پژوهش، به عنوان یک روش پیشرفته برای پیش‌بینی خطای نرم‌افزاری پیشنهاد می‌‌گردد.