چکیده: با توجه به رشد صنعت نرم‌افزار، افزایش کیفیت و قابلیت اطمینان محصولات نرم‌افزاری مورد توجه مهندسین قرارگرفت. برای این منظور از تست نرم‌افزار استفاده می‌شود، اما آزمایش تمام ورودی‌ها نرم‌افزار به علت صرف زمان و هزینه زیاد امکان‌پذیر نیست. راه‌حل استفاده از سیستم‌های پیش‌بینی خطای نرم‌افزار است. هدف پیش‌بینی خطای نرم‌افزار شناسایی ماژول‌های نرم‌افزار مستعد خطا با استفاده از برخی ویژگی‌های زیربنایی پروژه نرم‌افزار قبل از شروع فرآیند آزمایش واقعی است. این امر به دستیابی به کیفیت نرم‌افزار مورد نظر با هزینه و تلاش بهینه کمک می‌کند. زیرا خطا‌‌های نرم‌افزاری می‌توانند عواقب جدی برای‌ کارایی‌ و قابلیت اطمینان سیستم‌ها داشته باشند. یکی از چالش‌های موجود در زمینه پیش‌بینی خطای نرم‌افزار این است که مدل‌های قبلی بر روی مجموعه‌ داده‌های قدیمی، کوچک و یا محدود کار می‌کردند، به همین علت مدل‌های ارائه شده کارایی زیادی برای نرم‌افزارهای امروزی ندارند. برای مقابله با این مشکل در این تحقیق از مجموعه داده باگ‌هانتر استفاده شده است که یک مجموعه داده بزرگ، متشکل از 15 پروژه نرم‌افزاری منبع باز به زبان جاوا است. این مجموعه داده بطور گسترده توسط مهندسین نرم افزار مورد استفاده قرار می‌گیرد. تاکنون تکنیک‌های یادگیری ماشین مختلفی مثل درخت تصمیم، بیزساده، رگرسیون لجستیک، جنگل تصادفی، و غیره جهت کشف خطاهای نرم‌افزاری بر روی این مجموعه داده استفاده شده‌ است. چالش بعدی که با آن مواجه هستیم دقت مدل‌های یادگیری قبلی در این مجموعه ‌داده‌های پایین است. این تحقیق با هدف افزایش عملکرد مدل‌های پیش‌بینی خطا، از تکنیک شبکه‌های عصبی و معماری شبکه‌های کانولوشن و همچنین ساخت مدل ترکیبی متشکل از شبکه کانولوشن، -kنزدیکترین همسایه و جنگل تصادفی جهت افزایش دقت بهره می‌برد. با استفاده از معماری شبکه‌های کانولوشن، ویژگی‌های مهم و الگوهای خطا در داده‌های آموزشی ساخته می‌شود. این مدل قادر است بصورت خودکار خطاهای نرم‌افزاری را تشخیص دهد و احتمال وقوع آن‌ها را پیش‌بینی کند. و همچنین جهت جلوگیری از جانب‌دار شدن مدل از تکنیک نمونه ‌برداری تصادفی رو به بالا استفاده شده است. بهترین معیار- اف1 بدست آمده از پیاده سازی مدل ارائه شده بر روی مجموعه داده باگ‌هانتر89% است. نتایج حاصل از ارزیابی نشان می‌دهد که روش پیشنهادی نسبت به بهترین مدل قبلی (مدل پیش‌بینی خطا با استفاده از خوشه بندی) 2% رشد داشته است.