چکیده: امروزه در هنگام ساخت و توسعه‌ی پروژه‌های نرم‌افزاری یکی از مشکلاتی که عمدتاً توسعه‌دهنگان با آن دست و پنجه نرم می‌کنند آزمون و پیدا کردن خطاهای نرم‌افزاری است. اما این عمل زمان و منابع زیادی را مصرف می‌کند. مفهوم پیش‌بینی خطاهای نرم‌افزاری با صرف زمان و منابع کم‌تر می‌تواند به پیدایش خطاهای نرم‌افزاری کمک بسیار زیادی بکند. پیش‌بینی خطاهای نرم‌افزاری نوعی فرآیند است که بوسیله‌ی آن نقاط مستعد خطا در ماژول‌های نرم‌افزار، با استفاده از مدل پیش‌بینی ای که ساخته شده انجام می‌گیرد. مدل پیش‌بینی خطاهای نرم‌افزاری با آموزش تکنیک‌های یادگیری ماشین ساخته می‌شود که از منابع آن برای ساخت و آموزش می‌توان به مجموعه داده خطا که شامل تعداد زیادی از ویژگی‌های نرم‌افزاری هستند اشاره کرد. نرم‌افزارها دارای سطوح متفاوتی از جمله ماژول، کلاس، و توابع هستند. یکی از انواع مدل پیش‌بینی خطا‌های نرم‌افزاری، مدل پیش‌بینی وجود خطا در توابع است. در این تحقیق برای کمک به پیش‌بینی خطاهای نرم‌افزاری از پایگاه داده‌ی جدیدی با نام باگ‌هانتر که متشکل از 15 پروژه‌ی جاوا در سه سطح ماژول، کلاس، و توابع بوده استفاده شده است. تا کنون تکنیک‌های یادگیری ماشین متفاوتی نظیر بیز ساده، رگرسیون لجستیک، جنگل تصادفی و غیره بر روی این مجموعه‌داده جهت کشف خطاهای نرم‌افزاری مورد استفاده قرار گرفته است. مشکلی که دراین میان وجود دارد این است که دقت این مدل‌های پیش‌بینی پایین است و روش‌های تک الگوریتمی در این حوزه به حد آستانه‌ی خود رسیده‌اند. در این تحقیق سعی شده تا با استفاده از روش ترکیبی این حد آستانه را بهبود بخشیم. با توجه به موضوع مورد مطالعه، سعی شده است با ترکیب الگوریتم‌های جنگل‌تصادفی، درخت‌تصمیم، k-نزدیک‌ترین همسایه، بیزساده و آدابوست مدلی را برای پیش‌بینی وجود خطا در توابع زبان جاوا ارائه کنیم. در طی این مراحل، پیکربندی‌های متفاوتی برای این الگوریتم‌ها مورد آزمایش قرار گرفته تا بتوانیم در جهت بهبود نتایج، این الگوریتم‌‌ها را بهینه کنیم. برای ترکیب الگوریتم‌ها از دو روش رأی‌گیری و ترکیب پشته‌ای استفاده شده است. در نهایت روش پیشنهادی بر روی پایگاه داده‌ی باگ‌هانتر مورد آزمایش قرار گرفت که با توجه به نتایج بدست آمده در بهترین حالت معیار اف-1 را تا 93درصد افزایش داده شده است.